10.7606/j.issn.1004-1389.2022.08.010
基于集成学习和近红外光谱的玉米种子含水率预测方法研究
针对传统化学方法测定玉米种子含水率存在工序复杂、周期长、成本高等问题,提出一种基于集成学习算法和近红外光谱技术的快速、无损预测玉米种子含水率的方法.以‘陕科9号’等8个品种的320份玉米种子作为研究对象,用近红外光谱仪(Antaris Ⅱ型,美国Nicolet公司)采集玉米种子的近红外漫反射光谱.统一采用偏最小二乘回归(Partial Least Squares Regression,PLS)方法对比分析SG平滑滤波(Savitzky-Go-lay,SG)结合4种光谱预处理方法对玉米种子近红外光谱的预处理效果,发现Savitzky-Golay方法结合多元散射校正法去噪效果最优.采用竞争性自适应重加权算法(CARS)进行特征波长的提取,前7个光谱特征的累计贡献率超 92%以上.以 GBDT(Gradient Boosting Decision Tree,梯度提升决策树)、RF(Random Forest,随机森林)、XGB(或XGBoost,Extreme Gradient Boosting极端梯度上升)作为基础模型,采用Stacking作为融合策略,建立Stacking集成学习模型.预处理后的数据,提取前7个主成分作为特征向量,用直接干燥法得到这些种子的含水率作为标签,分别训练4种玉米种子含水率预测模型,对比分析该4种模型的性能指标,Stacking集成模型经过2 163次训练后预测相关系数R2P=0.939 1,相对分析误差PRD=2.91.结果表明,Stacking集成模型融合了 GDBT、RF、XGB 3个基础模型的优势,精度高,收敛特性好,泛化能力强,为玉米种子含水率快速、无损的测定提供了新的思路.
玉米种子、近红外光谱、集成学习、Stacking、含水率
31
O657.3(分析化学)
商洛学院科研项目18SKY-FWDF001
2022-08-12(万方平台首次上网日期,不代表论文的发表时间)
共10页
1025-1034