高维特征选择方法在近红外光谱分类中的应用

被引：19

作者：

秦玉华 ^{[1
,2
]}

丁香乾 ^{[1
]}

宫会丽 ^{[1
]}

机构：

[1] 不详

[2] 中国海洋大学信息科学与工程学院

[3] 不详

[4] 青岛科技大学信息科学技术学院

[5] 不详

来源：

红外与激光工程 | 2013年 / 05期

关键词：

近红外光谱; 特征选择; 随机森林; 主成分分析; 卷烟;

D O I：

暂无

中图分类号：

O433.4 [光谱分析];

学科分类号：

摘要：

针对卷烟近红外光谱高噪和高冗余特点,提出了一种基于随机森林(RF)和主成分分析(PCA)的特征优选方法 RF-PCA,建立了5种不同质量级别卷烟的分类模型,并和其他方法进行了比较。该方法能够有效地对高维数据样本进行分类,用于甄别卷烟品质真伪。特征选择可以过滤与分类不相关的特征,而通过PCA方法可以消除冗余特征的不良影响,并可进一步降低特征维数。实验表明:RF-PCA方法能有效地剔除近红外光谱数据中的噪声特征和冗余特征,提高了分类效率。

引用

页码：1355 / 1359

页数：5

共 6 条

[1] 卷烟真伪鉴别的近红外定性分析方法
唐雪梅
张薇
李慧
[J]. 烟草科技, 2008, (11) : 5 - 8
[2] PCA-SVR联用算法在近红外光谱分析烟草成分中的应用
刘旭
陈华才
刘太昂
李银玲
陆治荣
陆文聪
[J]. 光谱学与光谱分析, 2007, (12) : 2460 - 2463
[3] Multivariate feature selection and hierarchical classification for infrared spectroscopy: serum-based detection of bovine spongiform encephalopathy[J] . Bjoern H. Menze,Wolfgang Petrich,Fred A. Hamprecht.Analytical and Bioanalytical Chemistry . 2007 (5)
[4] Random forests
Breiman, L
[J]. MACHINE LEARNING, 2001, 45 (01) : 5 - 32
[5] Applying artificial neural networks: Part II. Using near infrared data to classify tobacco types andidentify native grown tobacco[J] . Maha Hana,W. McClure,T. Whitaker,M. White,D. Bahler.Journal of Near Infrared Spectroscopy . 1997 (1)
[6] Bootstrap Methods for Standard Errors, Confidence Intervals, and Other Measures of Statistical Accuracy[J] . B. Efron,R. Tibshirani.Statistical Science . 1986 (1)

← 1 →