本文主要研究内容
作者吉海彦,任占奇,饶震红（2019）在《基于高光谱成像技术的不同产地小米判别分析》一文中研究指出：高光谱成像技术被广泛应用于农产品的检测。基于高光谱成像技术结合机器学习算法无损鉴别不同地区的小米样本。将来源7个省份共计23份样品的小米样本根据地理区域划分为东北地区、河北、陕西、山东和山西共5大类,其中东北地区共6份样品,山西地区5份样品,河北、陕西和山东各4份样品。将每份样品均分为10等份并利用高光谱成像仪采集900～1 700 nm波段内小米的高光谱数据。为了减少光照不均匀和暗电流对实验的影响,对采集到的高光谱数据进行黑白校正。利用ENVI软件选取小米高光谱图像的感兴趣区域(ROI),每份小米样品选取9个ROI。计算ROI内的平均光谱值,以此平均值作为该样本的一条光谱记录,最后共收集到2 070条光谱曲线,其中东北类540条,山西类450条,其他河北类、山东类、陕西类各360条。为了减少样品表面的不平整性引起的散射现象,进而影响小米的真实光谱信息,对收集到的原始光谱进行多元散射校正预处理(MSC)。采用随机划分法对校正过后的光谱数据划分训练集和测试集,测试集占的比例为0.3。利用线性判别分析(LDA)对不同产地小米的光谱数据进行可视化分析,将测试集代入训练好的LDA模型,做出预测结果的混淆矩阵(Confusion Matrix),结果表明LDA对于陕西和山西类的预测准确率为0.84和0.99,对于东北、河北和山东的预测准确率仅为0.68, 0.68和0.40。进而采用递归特征消除(RFE)对小米的光谱信息进行特征选择,去除冗余的信息,提高模型的预测准确率。将RFE分别与支持向量机(SVM)和逻辑回归(LR)结合,对不同产地小米的判别进行对比分析。将小米光谱数据的训练集分别代入SVM-RFE和LR-RFE模型并结合3折交叉验证技术,以模型F值的微平均(Micro-averaging)最优选择出相应的特征子集。结果表明, LR-RFE选择的波长数为74个,其模型的Micro_F为0.59; SVM-RFE选择的波长数为220,其模型的Micro_F为0.66。将选择后的特征子集应用到测试集并将测试集分别代入SVM和LR模型,采用模型预测结果的混淆矩阵和模型的受试者工作特征曲线(ROC)作为评价方法。结果表明SVM-RFE对东北地区、河北、陕西、山东和山西的预测准确率分别为1, 0.37, 0.72, 0和1,其ROC曲线下面积(AUC)分别为0.82, 0.92, 0.93, 0.70和0.99。LR-RFE的预测准确率分别为0.92, 0, 0.97, 0和0.80,其AUC分别为0.72, 0.74, 0.94, 0.66和0.88。从预测结果可以看出SVM-RFE模型的综合分类性能优于LR-RFE,而对陕西类的判别LR-RFE要优于SVM-RFE,对于河北类和山东类两个模型都不能有效判别。这两个模型的预测准确率相比LDA有了一定的提升。
Abstract
gao guang pu cheng xiang ji shu bei an fan ying yong yu nong chan pin de jian ce 。ji yu gao guang pu cheng xiang ji shu jie ge ji qi xue xi suan fa mo sun jian bie bu tong de ou de xiao mi yang ben 。jiang lai yuan 7ge sheng fen gong ji 23fen yang pin de xiao mi yang ben gen ju de li ou yu hua fen wei dong bei de ou 、he bei 、shan xi 、shan dong he shan xi gong 5da lei ,ji zhong dong bei de ou gong 6fen yang pin ,shan xi de ou 5fen yang pin ,he bei 、shan xi he shan dong ge 4fen yang pin 。jiang mei fen yang pin jun fen wei 10deng fen bing li yong gao guang pu cheng xiang yi cai ji 900～1 700 nmbo duan nei xiao mi de gao guang pu shu ju 。wei le jian shao guang zhao bu jun yun he an dian liu dui shi yan de ying xiang ,dui cai ji dao de gao guang pu shu ju jin hang hei bai jiao zheng 。li yong ENVIruan jian shua qu xiao mi gao guang pu tu xiang de gan xing qu ou yu (ROI),mei fen xiao mi yang pin shua qu 9ge ROI。ji suan ROInei de ping jun guang pu zhi ,yi ci ping jun zhi zuo wei gai yang ben de yi tiao guang pu ji lu ,zui hou gong shou ji dao 2 070tiao guang pu qu xian ,ji zhong dong bei lei 540tiao ,shan xi lei 450tiao ,ji ta he bei lei 、shan dong lei 、shan xi lei ge 360tiao 。wei le jian shao yang pin biao mian de bu ping zheng xing yin qi de san she xian xiang ,jin er ying xiang xiao mi de zhen shi guang pu xin xi ,dui shou ji dao de yuan shi guang pu jin hang duo yuan san she jiao zheng yu chu li (MSC)。cai yong sui ji hua fen fa dui jiao zheng guo hou de guang pu shu ju hua fen xun lian ji he ce shi ji ,ce shi ji zhan de bi li wei 0.3。li yong xian xing pan bie fen xi (LDA)dui bu tong chan de xiao mi de guang pu shu ju jin hang ke shi hua fen xi ,jiang ce shi ji dai ru xun lian hao de LDAmo xing ,zuo chu yu ce jie guo de hun xiao ju zhen (Confusion Matrix),jie guo biao ming LDAdui yu shan xi he shan xi lei de yu ce zhun que lv wei 0.84he 0.99,dui yu dong bei 、he bei he shan dong de yu ce zhun que lv jin wei 0.68, 0.68he 0.40。jin er cai yong di gui te zheng xiao chu (RFE)dui xiao mi de guang pu xin xi jin hang te zheng shua ze ,qu chu rong yu de xin xi ,di gao mo xing de yu ce zhun que lv 。jiang RFEfen bie yu zhi chi xiang liang ji (SVM)he luo ji hui gui (LR)jie ge ,dui bu tong chan de xiao mi de pan bie jin hang dui bi fen xi 。jiang xiao mi guang pu shu ju de xun lian ji fen bie dai ru SVM-RFEhe LR-RFEmo xing bing jie ge 3she jiao cha yan zheng ji shu ,yi mo xing Fzhi de wei ping jun (Micro-averaging)zui you shua ze chu xiang ying de te zheng zi ji 。jie guo biao ming , LR-RFEshua ze de bo chang shu wei 74ge ,ji mo xing de Micro_Fwei 0.59; SVM-RFEshua ze de bo chang shu wei 220,ji mo xing de Micro_Fwei 0.66。jiang shua ze hou de te zheng zi ji ying yong dao ce shi ji bing jiang ce shi ji fen bie dai ru SVMhe LRmo xing ,cai yong mo xing yu ce jie guo de hun xiao ju zhen he mo xing de shou shi zhe gong zuo te zheng qu xian (ROC)zuo wei ping jia fang fa 。jie guo biao ming SVM-RFEdui dong bei de ou 、he bei 、shan xi 、shan dong he shan xi de yu ce zhun que lv fen bie wei 1, 0.37, 0.72, 0he 1,ji ROCqu xian xia mian ji (AUC)fen bie wei 0.82, 0.92, 0.93, 0.70he 0.99。LR-RFEde yu ce zhun que lv fen bie wei 0.92, 0, 0.97, 0he 0.80,ji AUCfen bie wei 0.72, 0.74, 0.94, 0.66he 0.88。cong yu ce jie guo ke yi kan chu SVM-RFEmo xing de zeng ge fen lei xing neng you yu LR-RFE,er dui shan xi lei de pan bie LR-RFEyao you yu SVM-RFE,dui yu he bei lei he shan dong lei liang ge mo xing dou bu neng you xiao pan bie 。zhe liang ge mo xing de yu ce zhun que lv xiang bi LDAyou le yi ding de di sheng 。
论文参考文献
论文详细介绍
论文作者分别是来自光谱学与光谱分析的吉海彦,任占奇,饶震红，发表于刊物光谱学与光谱分析2019年07期论文，是一篇关于高光谱成像论文,小米论文,判别分析论文,递归特征消除论文,光谱学与光谱分析2019年07期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自光谱学与光谱分析2019年07期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：高光谱成像论文; 小米论文; 判别分析论文; 递归特征消除论文; 光谱学与光谱分析2019年07期论文;