最小角回归结合核极限学习机的近红外光谱对柑橘黄龙病的鉴别

发布时间：2025-06-20 23:30

　　 传统的柑橘黄龙病检测方法存在准确度低、稳定性差等问题,该文提出了一种基于最小角回归结合核极限学习机(Least angle regression combined with kernel extreme learning machine,LAR-KELM_（RBF）)的近红外柑橘黄龙病鉴别方法。该方法将光谱数据通过小波变换进行预处理,然后用最小角回归（LAR）算法进行光谱波长的筛选,最后通过核极限学习机(KELM_（RBF）)实现样本的分类。实验采用柑橘叶片的近红外光谱数据,验证了LAR-KELM_（RBF）算法的性能,其分类准确度最高为99.91%,标准偏差为0.11。不同规模训练集的实验结果表明,LAR-KELM_（RBF）模型较极限学习机（ELM）、波形叠加极限学习机（SWELM）、反向传播神经网络(BP_（2层）)、KELM_（RBF）和支持向量机（SVM）模型分类准确度高、稳定性强,能够广泛应用于柑橘黄龙病的检测鉴别。

【文章页数】：7 页

【部分图文】：

图1 柑橘叶片预处理前(A)和预处理后(B)近红外光谱

由于傅里叶变换近红外光谱仪测得的光谱存在噪声和基线漂移,因此有必要通过OPUS软件对光谱进行紧凑预处理,从而得到柑橘叶片的一致性光谱,光谱的波长范围为960～1650nm,如图1A所示。从图1A可以看出,未经预处理的柑橘叶片光谱之间存在严重的信息重叠且相似度较高,此外还包含一....

图2 不同隐含层神经元比例下不同训练集

2.3KELM(RBF)隐含层神经元个数确定合适的隐含层神经元数目对KELM(RBF)算法有至关重要的作用,而隐含层的选择过程会耗费大量时间,因此需要谨慎选取隐含层个数。在KELM(RBF)算法中,将t表示为训练集的数目,r表示比例参数,N为隐含层神经元的个数,那么:

图3 在不同规模样品数据集下不同分类模型

从表中可以看出,SVM、SWELM、ELM和KELM(RBF)在训练时间方面具有明显优势,这是因为这4个模型在预训练阶段不需要进行多次循环迭代和反向微调模型参数。由于模型的预训练阶段需采用LAR算法进行特征波长的筛选,增加了模型的时间消耗,因此LAR-KELM(RBF)的时间消耗....

本文编号：4051558