發(fā)布時(shí)間：2025-06-20 23:30

　　 傳統(tǒng)的柑橘黃龍病檢測(cè)方法存在準(zhǔn)確度低、穩(wěn)定性差等問(wèn)題,該文提出了一種基于最小角回歸結(jié)合核極限學(xué)習(xí)機(jī)(Least angle regression combined with kernel extreme learning machine,LAR-KELM_（RBF）)的近紅外柑橘黃龍病鑒別方法。該方法將光譜數(shù)據(jù)通過(guò)小波變換進(jìn)行預(yù)處理,然后用最小角回歸（LAR）算法進(jìn)行光譜波長(zhǎng)的篩選,最后通過(guò)核極限學(xué)習(xí)機(jī)(KELM_（RBF）)實(shí)現(xiàn)樣本的分類。實(shí)驗(yàn)采用柑橘葉片的近紅外光譜數(shù)據(jù),驗(yàn)證了LAR-KELM_（RBF）算法的性能,其分類準(zhǔn)確度最高為99.91%,標(biāo)準(zhǔn)偏差為0.11。不同規(guī)模訓(xùn)練集的實(shí)驗(yàn)結(jié)果表明,LAR-KELM_（RBF）模型較極限學(xué)習(xí)機(jī)（ELM）、波形疊加極限學(xué)習(xí)機(jī)（SWELM）、反向傳播神經(jīng)網(wǎng)絡(luò)(BP_（2層）)、KELM_（RBF）和支持向量機(jī)（SVM）模型分類準(zhǔn)確度高、穩(wěn)定性強(qiáng),能夠廣泛應(yīng)用于柑橘黃龍病的檢測(cè)鑒別。

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1 柑橘葉片預(yù)處理前(A)和預(yù)處理后(B)近紅外光譜

由于傅里葉變換近紅外光譜儀測(cè)得的光譜存在噪聲和基線漂移,因此有必要通過(guò)OPUS軟件對(duì)光譜進(jìn)行緊湊預(yù)處理,從而得到柑橘葉片的一致性光譜,光譜的波長(zhǎng)范圍為960～1650nm,如圖1A所示。從圖1A可以看出,未經(jīng)預(yù)處理的柑橘葉片光譜之間存在嚴(yán)重的信息重疊且相似度較高,此外還包含一....

圖2 不同隱含層神經(jīng)元比例下不同訓(xùn)練集

2.3KELM(RBF)隱含層神經(jīng)元個(gè)數(shù)確定合適的隱含層神經(jīng)元數(shù)目對(duì)KELM(RBF)算法有至關(guān)重要的作用,而隱含層的選擇過(guò)程會(huì)耗費(fèi)大量時(shí)間,因此需要謹(jǐn)慎選取隱含層個(gè)數(shù)。在KELM(RBF)算法中,將t表示為訓(xùn)練集的數(shù)目,r表示比例參數(shù),N為隱含層神經(jīng)元的個(gè)數(shù),那么:

圖3 在不同規(guī)模樣品數(shù)據(jù)集下不同分類模型

從表中可以看出,SVM、SWELM、ELM和KELM(RBF)在訓(xùn)練時(shí)間方面具有明顯優(yōu)勢(shì),這是因?yàn)檫@4個(gè)模型在預(yù)訓(xùn)練階段不需要進(jìn)行多次循環(huán)迭代和反向微調(diào)模型參數(shù)。由于模型的預(yù)訓(xùn)練階段需采用LAR算法進(jìn)行特征波長(zhǎng)的篩選,增加了模型的時(shí)間消耗,因此LAR-KELM(RBF)的時(shí)間消耗....

本文編號(hào)：4051558