最小角回歸結(jié)合核極限學(xué)習(xí)機(jī)的近紅外光譜對(duì)柑橘黃龍病的鑒別
【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
本文鏈接:http://www.wukwdryxk.cn/wenshubaike/xszy/4051558.html