多层梯度提升树在药品鉴别中的应用

摘要：

近红外光谱分析技术高效应用于药品分析领域.针对高维非线性的小规模近红外数据,传统的药品鉴别算法存在特征学习能力不足的缺陷,基于神经网络的方法有局部最优及过拟合等问题,且两者易忽略样本的不均衡性.针对以上劣势,提出一种基于特征选择与代价敏感学习的多层梯度提升树(CS_FGBDT)药品分类方法.首先采用Savitsky-Golay平滑和一阶导数对原始数据进行预处理;其次利用随机森林对预处理光谱自适应提取特征,并由多层梯度提升树进行特征映射;然后结合代价敏感学习机制将样本不均衡性的负效应降到最小.实验结果表明,在胶囊和药片两种不平衡数据集上对算法进行对比评估,该模型具有更高的预测精度和稳定性,是一种有效的药品鉴别方法.

关键词：近红外光谱分析、自适应特征选择、多层梯度提升决策树、代价敏感学习

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant Nos. 21365008, 61562013 国家自然科学基金

在线出版日期：2020-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：260-273