基于KPCA苹果近红外光谱的特征提取研究

被引：1

作者：

高珏 ^{[1
,2
]}

王从庆 ^{[2
]}

机构：

[1] 常熟理工学院电气与自动化工程学院

[2] 南京航空航天大学自动化学院

来源：

食品科技 | 2012年 / 37卷 / 03期

关键词：

核主成分分析; 近红外光谱; 特征提取;

D O I：

10.13684/j.cnki.spkj.2012.03.016

中图分类号：

TS255.7 [果蔬加工品标准与检验]; O657.33 [红外光谱分析法];

学科分类号：

083203 ; 070302 ; 081704 ;

摘要：

利用核主成分分析(KPCA)对苹果近红外光谱进行特征提取,不但使得光谱维数大幅降低,而且能有效地提取原始光谱的非线性信息。实验表明,KPCA结合支持向量回归机(SVR)建立的苹果酸度回归模型与PCA-SVR和SVR模型相比,提高了预测精度,缩短了训练时间和预测时间,是一种有效的光谱特征提取方法。

引用

页码：275 / 278

页数：4

共 7 条

[1] 支持向量回归中核函数和超参数选择方法综述 [J].

肖建 ;

于龙 ;

白裔峰 .

西南交通大学学报, 2008, (03) :297-303

[2] KPCA-LSSVM建模方法及在钢材淬透性中的应用研究 [J].

郭辉 ;

刘贺平 ;

王玲 .

控制与决策, 2006, (09) :1073-1076

[3] 近红外光谱在药物领域的应用与研究进展 [J].

陈华才 ;

陈星旦 .

中国计量学院学报, 2003, (04) :21-27

[4]

Optimal Local Basis: A Reinforcement Learning Approach for Face Recognition[J] . Mehrtash T. Harandi,Majid Nili Ahmadabadi,Babak N. Araabi. International Journal of Computer Vision . 2009 (2)

[5]

Choosing Multiple Parameters for Support Vector Machines.[J] . Olivier Chapelle,Vladimir Vapnik,Olivier Bousquet,Sayan Mukherjee. Machine Learning . 2002 (1-3)

[6] Kernel PCA for feature extraction and de-noising in nonlinear regression [J].

Rosipal, R ;

Girolami, M ;

Trejo, LJ ;

Cichocki, A .

NEURAL COMPUTING & APPLICATIONS, 2001, 10 (03) :231-243

[7] Nonlinear component analysis as a kernel eigenvalue problem [J].

Scholkopf, B ;

Smola, A ;

Muller, KR .

NEURAL COMPUTATION, 1998, 10 (05) :1299-1319

← 1 →