融合波段选择与无偏集成学习的大花红景天高光谱产区判别OA
大花红景天的品质受地理生态因子的影响显著,其化学组分差异在可见-近红外光谱中呈现出特异指纹响应。针对传统理化检测破坏性大、耗时长且难以全样覆盖的问题,提出了一种融合高光谱特征提取、优化波段选择与无偏集成学习的产区识别方法。采集400~1100 nm范围内的大花红景天粉末光谱,对其进行MSC预处理,采用改进的MI-CARS算法进行特征波段选择。分析结果表明,所提取的波段与大花红景天内部官能团(如O—H、C—H键)的振动响应高度相关,增强了特征提取的物理可解释性。在建模阶段,引入k折OOF策略生成无偏元特征,并通过多异构ELM基学习器与顶层ELM实现分层融合与决策集成。实验结果表明,MI-CARS算法在波段选择稳定性与物理可解释性方面具有优势,构建的ELM集成模型识别精度达97.06%。通过对比实验和消融实验证明了该方法的有效性,为珍稀中药材质量评价提供了新的物理检测途径。
陈冲;王晓慧;许志胜
安徽建筑大学电子与信息工程学院,合肥230601 安徽省古建筑智能感知与高维建模国际联合研究中心,合肥230601 安徽省地域环境健康与空间智慧感知工程研究中心,合肥230601安徽建筑大学电子与信息工程学院,合肥230601 安徽省古建筑智能感知与高维建模国际联合研究中心,合肥230601 安徽省地域环境健康与空间智慧感知工程研究中心,合肥230601安徽建筑大学电子与信息工程学院,合肥230601 安徽省古建筑智能感知与高维建模国际联合研究中心,合肥230601 安徽省地域环境健康与空间智慧感知工程研究中心,合肥230601
信息技术与安全科学
高光谱成像大花红景天产区识别极限学习机特征选择波段选择集成学习
《重庆科技大学学报(自然科学版)》 2026 (4)
P.63-73,11
安徽省高校杰出青年科研项目“托卡马克等离子体阿尔芬本征模性质研究”(2023AH020023)光学信息与模式识别湖北省重点实验室开放课题研究基金项目“基于高光谱图像水果安全检测与品质识别方法研究”(202204)。
评论