基于多元經(jīng)驗(yàn)?zāi)B(tài)分解的可見/近紅外光譜識別木材研究

付立巖 馮國紅 劉旭銘

摘 要：基于可見/近紅外光譜技術(shù)探究一種快速、準(zhǔn)確的木材識別方法。以8種進(jìn)口木材為研究對象，運(yùn)用多元經(jīng)驗(yàn)?zāi)B(tài)分解（MEMD）和最大互信息系數(shù)（MIC）的方法對采集的光譜數(shù)據(jù)進(jìn)行分解、篩選和重構(gòu)，進(jìn)而利用連續(xù)投影法（SPA）進(jìn)行特征波段提取，再結(jié)合XGBoost分類器進(jìn)行分類識別。為進(jìn)一步驗(yàn)證該方法的可行性，將提出的木材識別方法分別與經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）算法和傳統(tǒng)的支持向量機(jī)（SVM）、K近鄰分類算法（KNN）、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neuron NetWok）分類器進(jìn)行對比分析。結(jié)果表明，MEMD方法對可見/近紅外光譜去噪效果優(yōu)于EMD去噪方法；MEMD-SPA-XGBoost相比MEMD-SPA-SVM的識別準(zhǔn)確率為90%、MEMD-SPA-KNN的88%、MEMD-SPA-BP的89.2%，平均識別準(zhǔn)確率達(dá)到了96.5%。可見，該方法在木材識別方法中具有很好的應(yīng)用前景。

關(guān)鍵詞：可見/近紅外光譜；木材識別；多元經(jīng)驗(yàn)?zāi)B(tài)分解；連續(xù)投影法；XGBoost

中圖分類號：S781.1??? 文獻(xiàn)標(biāo)識碼：A?? 文章編號：1006-8023（2023）04-0101-09

Wood Recognition by Visible/Near Infrared Spectroscopy Based on

Multivariate Empirical Mode Decomposition

FU Liyan， FENG Guohong*， LIU Xuming

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：A fast and accurate wood identification method based on visible/near infrared spectroscopy was explored. Taking 8 kinds of imported wood as the research object， multivariate empirical mode decomposition （MEMD） and maximum mutual information coefficient （MIC） were used to decompose， screen and reconstruct the collected spectral data， and then the continuous projection method （SPA） was used to extract the feature bands， and combined with XGBoost classifier for classification and recognition. In order to further verify the feasibility of the proposed method， the wood recognition method was compared with empirical mode decomposition （EMD） algorithm， traditional support vector machine （SVM）， K-nearest neighbor classification algorithm （KNN） and BP Neural network （Back Propagation Neural Network） classifier. The results showed that MEMD method was better than EMD method for visible/near infrared spectrum denoising. Compared with 90% of MEMD-SPA-SVM， 88% of MEMD-SPA-KNN and 89.2% of MEMD-SPA-BP， the average recognition accuracy of MEMD-SPA-XGBoost reached 96.5%. It can be seen that this method has a good application prospect in wood identification method.

Keywords：Visible/near-infrared spectrum; wood identification; multivariate empirical mode decomposition; continuous projection method; XGBoost

收稿日期：2022-11-27

基金項(xiàng)目：中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（2572020BL01）；黑龍江省自然科學(xué)基金資助項(xiàng)目（LH2020C050）

第一作者簡介：付立巖，碩士研究生。研究方向?yàn)槟静姆N類識別研究。E-mail： 1139967801@qq.com

通信作者：馮國紅，博士，副教授。研究方向?yàn)槟静姆N類識別。E-mail： fgh_1980@126.com

引文格式：付立巖，馮國紅，劉旭銘. 基于多元經(jīng)驗(yàn)?zāi)B(tài)分解的可見/近紅外光譜識別木材研究[J]. 森林工程， 2022，39（4）：101-109.

FU L Y， FENG G H， LIU X M. Wood recognition by visible/near infrared spectroscopy based on multivariate empirical mode decomposition[J]. Forest Engineering， 2023， 39（4）：101-109.

0 引言

近幾年國家為保護(hù)森林資源，全面禁伐，導(dǎo)致我國木材產(chǎn)量難以滿足市場需求，需從國外大量進(jìn)口木材[1]。然而進(jìn)口木材種類繁多，難以辨別，以次充好的事情屢見不鮮，如何高效、準(zhǔn)確地識別進(jìn)口木材變得十分有意義。傳統(tǒng)木材識別主要依靠專家觀察、DNA法和計(jì)算機(jī)圖像法等[2-4]。但這些方法常常需要對樣本進(jìn)行切片等操作，普適性不高且周期長，易造成浪費(fèi)，甚至降低珍貴進(jìn)口木材的價(jià)值。

光譜法是一種無損檢測方法，具有高效、便捷和無污染等優(yōu)點(diǎn)[5]，近幾年，已成為木材識別領(lǐng)域的研究熱點(diǎn)。汪紫陽等[6]基于可見/近紅外光譜對生長在東北地區(qū)的多種木材進(jìn)行了有效識別。明曼曼等[7]運(yùn)用近紅外光譜技術(shù)結(jié)合優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對木材進(jìn)行了識別，識別效果最高可達(dá)到95.33%。在應(yīng)用光譜法進(jìn)行木材識別研究中，由于光譜數(shù)據(jù)采集的過程中存在很多不可控因素，往往會產(chǎn)生影響識別結(jié)果的無用信息，因此需采用一定的預(yù)處理方法進(jìn)行降噪。目前常采用的光譜預(yù)處理方法主要有導(dǎo)數(shù)處理、多元散射校正[8]等，多元經(jīng)驗(yàn)?zāi)B(tài)分解（MEMD）針對信號去噪具有良好的效果，在生物醫(yī)學(xué)、故障診斷等領(lǐng)域得到了非常廣泛的應(yīng)用[9-10]，但在木材識別領(lǐng)域未見相關(guān)報(bào)道。同時(shí)，應(yīng)用光譜法識別木材時(shí)，目前多采用支持向量機(jī)（SVM）、BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neuron NetWok）等[11-14]傳統(tǒng)算法研究分類問題，這些算法在處理多分類問題中易過擬合，陷入局部最優(yōu)，通常還需要結(jié)合其他方法彌補(bǔ)自身缺點(diǎn)。XGBoost （Extreme Gradient Boosting）是一種梯度提升算法，在機(jī)器學(xué)習(xí)領(lǐng)域有著廣泛的應(yīng)用，在處理大規(guī)模數(shù)據(jù)集時(shí)速度快、效果好，相比傳統(tǒng)模型魯棒性更強(qiáng)，一般不需要精細(xì)調(diào)整便能取得很好的結(jié)果。

本研究基于MEMD和XGBoost對木材識別進(jìn)行了研究。以8種進(jìn)口木材為研究對象，應(yīng)用可見/近紅外光譜建立進(jìn)口木材識別模型。首先運(yùn)用MEMD和最大互信息系數(shù)（MIC）的方法對采集的光譜數(shù)據(jù)進(jìn)行分解、篩選和重構(gòu)，進(jìn)而利用連續(xù)投影法（SPA）進(jìn)行特征波段提取，再結(jié)合XGBoost分類器對進(jìn)口木材進(jìn)行識別，以期為可見/近紅外進(jìn)口木材識別方法提供新的參考。

1 實(shí)驗(yàn)與方法

1.1 儀器設(shè)備和數(shù)據(jù)采集

儀器設(shè)備：美國ASD公司的LabSpec 5000光譜儀，采用Indico Pro Version 3.1軟件采集波長為350～2 500 nm的可見/近紅外光譜數(shù)據(jù)。

數(shù)據(jù)采集：本次試驗(yàn)選擇大果紫檀（Pterocarpus macrocarpus Kurz）、檀香紫檀（Pterocarpus santalinus L.f）、血檀（Pterocarpus tinctorius Welw）、巴里黃檀（Dalbergia bariensis Pierre）、破布木（Cordia dichotoma Forst.）、中美洲黃檀（Dalbergia granadillo Pittier）、刺猬紫檀（Pterocarpus erinaceus Poir）和紅檀香（Myroxylon balsamu）共8種進(jìn)口木材作為實(shí)驗(yàn)對象，每種木材樣本大小為6 cm×4 cm×2 cm的木塊，每一類木材制作5個(gè)樣本，分別用數(shù)字1—5進(jìn)行標(biāo)號，共計(jì)40個(gè)樣本塊。把每個(gè)木塊橫向2等分，縱向5等分，取等分線交點(diǎn)為采樣點(diǎn)，這樣一個(gè)木塊取10組實(shí)驗(yàn)數(shù)據(jù)，8種木材共采集400組實(shí)驗(yàn)數(shù)據(jù)。

1.2 多元經(jīng)驗(yàn)?zāi)B(tài)分解

MEMD是在經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）基礎(chǔ)上作了進(jìn)一步擴(kuò)展的方法[15]。其原理是將原始數(shù)據(jù)映射到不同方向向量上，形成實(shí)值投影數(shù)據(jù)的多元包絡(luò)，通過計(jì)算多元包絡(luò)的均值來獲取原始信號的局域均值，具體方法如下。

1）在（n-1）維的球面上利用Hammersley序列采樣法均勻采樣，得到K組方向向量。

2）設(shè)輸入信號（v（t））Tt=1={v1（t），v2（t），…，vn（t）}，時(shí)刻為t，通道數(shù)為n，信號長度為T， xθk=（xk1，xk2，…，xkn）是對應(yīng)在（n-1）維球面中方向角θk={θk1，θk2，…，θkn-1}的方向向量集。

3）計(jì)算（v（t））Tt=1在K組方向向量xθk上的映射集{pθk（t）}Kk=1，其中投影集為p，方向角為θk，時(shí)刻為t，量測組數(shù)為K。

4）求得映射集｛pθk（t）}Kk=1極值對應(yīng)的時(shí)間點(diǎn)｛tθki｝，其中時(shí)間點(diǎn)為t，極值點(diǎn)序號為i，方向角為θk。

5）對tθki，v（tθki）進(jìn)行多元樣條插值，獲取包絡(luò)曲線eθk（t）Kk=1。

6）計(jì)算整組方向向量包絡(luò)曲線的均值m（t），見式（1），其中K表示量測方向向量組數(shù)，eθk（t）為第k個(gè)包絡(luò)線值。

m（t）=1k∑Kk=1eθk（t） 。（1）

7）按照d（t）=v（t）-m（t）獲得信號剩余量d（t），如果d（t）上包絡(luò)和下包絡(luò)的均值近似等于零或者滿足特定準(zhǔn)則，則判定其是一個(gè)本征模態(tài)函數(shù)，否則返回第二步重新計(jì)算。

采用多元經(jīng)驗(yàn)?zāi)B(tài)分解對輸入信號v（t）進(jìn)行分解，得到M個(gè)不同頻率的IMF（IMF為復(fù)雜數(shù)據(jù)分解的本征模態(tài)函數(shù)，代表著原始數(shù)據(jù)的局部特征，一般由高頻到低頻依次排列），見式（2）

v（t）=∑Mm=1Cm-（t）+r-（t）。 （2）

式中：Cm-（t）為第m個(gè)IMF；r-（t）為分解殘差。

1.3 最大互信息系數(shù)法

最大互信息系數(shù)（MIC）是一種度量數(shù)據(jù)之間關(guān)聯(lián)程度的方法，相比常用的互信息（MI）方法，具有更高的精準(zhǔn)度和魯棒性。假設(shè)隨機(jī)變量X、Y，則其MIC的主要計(jì)算步驟如下。

1）給定a、b，對X、Y構(gòu)成的散點(diǎn)圖進(jìn)行a列b行網(wǎng)格劃分，計(jì)算出最大互信息值。

2）把最大互信息值進(jìn)行歸一化處理，轉(zhuǎn)變到（0，1）之間。

3）選擇不同尺度下互信息的值作為MIC（公式中用MIC）的結(jié)果，見式（3）

MIC（x;y）=maxab

式中：B為數(shù)據(jù)總量的0.6次方，是網(wǎng)格劃分總數(shù)的約束條數(shù)；I（x;y）為求得的互信息。

1.4 SPA特征提取方法

SPA是一種前向特征變量選擇方法，把波長投影到其余波長上，通過對向量的投影分析，從全波段光譜數(shù)據(jù)中剔除了大量不相關(guān)波段，選擇出具有最小共線性的波長作為分類器的輸入集，降低了數(shù)據(jù)的維度，起到了簡化模型的作用，提高了模型的預(yù)測精度和效率[16]。

1.5 XGBoost分類算法原理

XGBoost是一種極限梯度提升算法。該算法主要通過模型集成的方式將多個(gè)弱學(xué)習(xí)器組合成一個(gè)強(qiáng)學(xué)習(xí)器。其基本思想是以損失函數(shù)的二階泰勒展開作為其替代函數(shù)，求其最小化來確定回歸樹的最佳分割點(diǎn)和葉子節(jié)點(diǎn)輸出數(shù)值。

XGBoost是在前向步進(jìn)算法下的多個(gè)弱學(xué)習(xí)器組成的加法模型，見式（4）

yi=∑Nn=1fn（xi），fn（xi）∈R。 （4）

式中：N表示樹的數(shù)量；yi表示樣本i的預(yù)測分類值；fn表示預(yù)測分類樹函數(shù)，xi為樣本i輸入特征值，R為實(shí)數(shù)域。

由此建立該模型的目標(biāo)函數(shù)（Obj，公式中用Obj表示），主要由損失函數(shù)和正則項(xiàng)函數(shù)組成，見式（5）

Obj=∑Ni=1L（f（xi;θ），yi）+Ω（fn）。 （5）

式中：θ表示超參數(shù)；損失函數(shù)∑Ni=1L（f（xi;θ），yi）表示真實(shí)值與預(yù)測值之間的差值，描述模型擬合數(shù)據(jù)的程度；N表示樹的數(shù)量；正則項(xiàng)函數(shù)Ω（fn）表示對模型復(fù)雜度施加的懲罰值；fn表示預(yù)測分類樹函數(shù)。首先通過貪心算法尋找局部最優(yōu)解，再對目標(biāo)函數(shù)（5）進(jìn)行二階泰勒展開，根據(jù)數(shù)據(jù)集的特點(diǎn)，引入本研究樹的復(fù)雜度Ω（fn）表示，見式（6）

Ω（fn）=γD+12λ∑Dd=1w2d 。（6）

式中：γ為樹復(fù)雜度系數(shù)；λ為正則項(xiàng)系數(shù)，用于權(quán)衡正則項(xiàng)與原損失函數(shù)項(xiàng)的比重；D為樹中的葉子節(jié)點(diǎn)數(shù)目，wd表示給出每個(gè)對應(yīng)的葉子節(jié)點(diǎn)d的葉子分?jǐn)?shù)。最終得到優(yōu)化后目標(biāo)函數(shù)的，見式（7）

Obj（d）=-12∑Dj=1（G2jHj+λ）+γD 。（7）

式中：Gj為誤差函數(shù)一階導(dǎo)數(shù)的葉子節(jié)點(diǎn)j樣本集合下求和；Hj為損失函二階導(dǎo)數(shù)的葉子節(jié)點(diǎn)j樣本集合下求和；γ為樹復(fù)雜度系數(shù)。

2 結(jié)果與分析

2.1 原始光譜數(shù)據(jù)分析

運(yùn)用LabSpec5000光譜儀對8種進(jìn)口木材進(jìn)行光譜采集，為了更加直觀地分析，提取一組原始光譜數(shù)據(jù)進(jìn)行分析（圖1），其中大果紫檀、檀香紫檀、巴里黃檀相比其余5種木材強(qiáng)度數(shù)值過小，其光譜圖像與x軸基本重合。由圖1可以看出，血檀、破布木和中美洲黃檀在1 700～1 800 nm范圍數(shù)據(jù)基本重合，特別是在1 800～1 835nm范圍內(nèi)5種木材的光譜數(shù)據(jù)完全重疊在一起，相反，5種木材數(shù)據(jù)在1 200～1 350 mm及1 400～1 460 nm范圍內(nèi)數(shù)據(jù)相互干擾小，尤其是刺猬紫檀、紅檀香和血檀存在明顯差異。除此之外，在1 000、1 250～1 380、1 500～2 400 nm范圍內(nèi)特別是在后半段，數(shù)據(jù)存在大量毛刺。

2.2 多元經(jīng)驗(yàn)?zāi)B(tài)分解及篩選結(jié)果

2.2.1 分解結(jié)果

從圖1可知采集的原始光譜數(shù)據(jù)都存在一定的隨機(jī)噪聲等無用信息。因此，本研究采用MEMD對其進(jìn)行降噪，將原始光譜數(shù)據(jù)分解成一定數(shù)量的本征模態(tài)函數(shù)，由于數(shù)據(jù)過多，在此僅展示大果紫檀的部分?jǐn)?shù)據(jù)，分解結(jié)果如圖2所示。由圖2可以看出，MEMD把大果紫檀的原始光譜數(shù)據(jù)分解成10個(gè)IMF和1個(gè)殘余分量（Residual，Res），并且分解出的每個(gè)IMF其振幅都不相同。同時(shí)，噪聲在可見/近紅外光譜數(shù)據(jù)中多表現(xiàn)為頻率高且隨機(jī)性大的特點(diǎn)，針對這一特點(diǎn)，為了更加便于觀察和分析，將分解后的IMF繪制成頻譜圖，結(jié)果如圖3所示。

由圖3可以看出，IMF1-IMF10頻率呈下降趨勢，其中IMF1—IMF5比其余5個(gè)IMF頻率要高出很多，存在頻率較高，且具有較大的隨機(jī)性，可能存在大量的白噪聲等無用信息。為了防止數(shù)據(jù)存在偶然性，造成這種下降趨勢，對全部分解數(shù)據(jù)進(jìn)行頻譜圖的繪制，部分結(jié)果見表1。由表1可以看出，8種進(jìn)口木材分解的IMF平均頻率與上述分析結(jié)果相同，排除了偶然現(xiàn)象。

2.2.2篩選結(jié)果

對木材的光譜數(shù)據(jù)進(jìn)行MEMD分解之后，由于不同層次的IMF包含的有用信息也各不相同，因此選擇合適的方法對IMF進(jìn)行篩選，剔除盡可能多的無用信息，可以有效提高識別模型的準(zhǔn)確性。

由參考文獻(xiàn)可知[17-19]，MIC的大小與包含有用信息的多少呈正相關(guān)。根據(jù)這個(gè)結(jié)論本研究通過計(jì)算IMF與原始數(shù)據(jù)之間的最大互信息數(shù)進(jìn)行IMF的篩選，其中一組數(shù)據(jù)的MIC計(jì)算結(jié)果見表2。

由表2可知，隨著IMF頻率由高到低的變化，IMF與原始數(shù)據(jù)的MIC呈現(xiàn)一種上升趨勢，這也驗(yàn)證了2.2.1的分析結(jié)果，高頻部分的IMF往往包含更多干擾信息，所以IMF1—IMF5得到MIC結(jié)果偏小。為了在剔除高頻噪聲的同時(shí)保留更多的特征信息，此處選擇MIC中間值0.5作為IMF的篩選閾值。

對篩選出的IMF進(jìn)行數(shù)據(jù)重構(gòu)，圖4展示了大果紫檀IMF6—IMF10加殘余數(shù)據(jù)重構(gòu)的光譜圖像。由圖4可以看出，重構(gòu)后的光譜比原始光譜變得更加平滑，消除了大量的隨機(jī)噪聲，信噪比得以大幅提高。

2.3 連續(xù)投影法特征提取結(jié)果

運(yùn)用SPA對木材進(jìn)行特征波長的提取時(shí)，起始波段和特征值個(gè)數(shù)設(shè)置的不同會對識別效果產(chǎn)生影響，本研究對起始波段和特征波長個(gè)數(shù)的選取主要參考欒景然等[20]應(yīng)用連續(xù)投影算法在木材識別方面研究得出的結(jié)論，即以吸收峰為起始波段，特征波長個(gè)數(shù)設(shè)置為9個(gè)。關(guān)于起始波段的選擇，結(jié)合2.1對原始光譜的分析，選取8種進(jìn)口木材對1 200～1 350 nm范圍內(nèi)的較為明顯的吸收峰進(jìn)行分析，以吸收峰為中間點(diǎn)，前后各取30個(gè)數(shù)據(jù)點(diǎn)作為特征波段（每個(gè)波段均取61個(gè)數(shù)據(jù)點(diǎn)），8種進(jìn)口木材的吸收峰區(qū)間見表3。由表3可以看出，8種進(jìn)口木材選取的特征波段有相交部分，選取重疊部分1 238～1 264 nm波段的中間值1 251 nm作為SPA特征提取的起始波段。最終獲得的特征波長見表4。

2.4 MEMD-SPA-XGBoost模型分類結(jié)果

2.4.1 參數(shù)調(diào)優(yōu)

XGBoost的參數(shù)較多，一共可以分為3類：通用參數(shù)、Booster參數(shù)以及學(xué)習(xí)目標(biāo)參數(shù)（表5）。其中，通用參數(shù)主要是booster，該參數(shù)主要用來選擇迭代模型，本研究選擇gbtree（樹模型）；Booster參數(shù)選擇tree booster（樹參數(shù)），首先為了增加模型的魯棒性，對木材樣本subsample和波長特征colsample_bytree按比例進(jìn)行采樣，減小這2個(gè)參數(shù)的值，算法會更加保守，可以避免過擬合。但是，如果這個(gè)值設(shè)置得過小，可能會導(dǎo)致欠擬合，經(jīng)過反復(fù)測試，選擇木材樣本采樣比為0.5，波長特征采樣比0.9，將學(xué)習(xí)率learning_rate從默認(rèn)數(shù)值0.3調(diào)整至0.28到達(dá)擬合效果最佳。采樣后需要對最大樹深度max_depth進(jìn)行調(diào)整，為了避免過擬合，采用交叉驗(yàn)證函數(shù)調(diào)優(yōu)，得到最終的最優(yōu)樹深度為4。在設(shè)置弱分類器數(shù)目時(shí)使用sklearn的 GridSearchCV 方法進(jìn)行尋優(yōu)，得到數(shù)值177。同時(shí)設(shè)置boosting的迭代計(jì)算次數(shù)為10次；最后調(diào)整學(xué)習(xí)目標(biāo)參數(shù)，其中objective用于定義需要被最小化的損失函數(shù)，本研究木材分類問題共需要對8種木材進(jìn)行分類，因此，選用multi：softmax多分類器，同時(shí)設(shè)置num_class（類別數(shù)目）為8。上述參數(shù)設(shè)置詳見表5。

2.4.2 分類結(jié)果

本研究將8種進(jìn)口木材分別用數(shù)字進(jìn)行標(biāo)識：0代表巴里黃檀，1代表大果紫檀，2代表紅檀香，3代表中美洲黃檀，4代表刺猬紫檀，5代表破布木，6代表檀香紫檀，7代表血檀，模型最終以0—7作為輸出結(jié)果。

根據(jù)表5設(shè)置XGBoost的相關(guān)參數(shù)，將本文的400份樣本，按照9∶1的比例隨機(jī)產(chǎn)生訓(xùn)練集和測試集，在模型訓(xùn)練優(yōu)化后，對測試集進(jìn)行10次隨機(jī)分類測試，結(jié)果見表6。由表6可以看出，10次測試的平均識別準(zhǔn)確率為96.50%，最高可達(dá)到100%。同時(shí)，繪制每次測試得到的混淆矩陣，部分結(jié)果見表7。由表7可以看出，對角線上的數(shù)值代表分類正確的個(gè)數(shù)，除第2類測試樣本出現(xiàn)1個(gè)分類錯(cuò)誤，其余測試樣本類別均能被正確識別，分類效果好。

2.5 對比分析

2.5.1 與經(jīng)驗(yàn)?zāi)B(tài)分解方法的對比

EMD和MEMD其基本原理存在一定的相似性，MEMD是以EMD為基礎(chǔ)擴(kuò)展而來[21-23]，為了驗(yàn)證MEMD方法相比EMD的優(yōu)越性。本節(jié)研究過程同2.2、2.3、2.4，采用EMD對光譜數(shù)據(jù)進(jìn)行預(yù)處理，同時(shí)為了進(jìn)一步驗(yàn)證MIC篩選閾值設(shè)定的大小對分類結(jié)果的影響，由表2可以看出，高頻部分的前4個(gè)IMF求得的MIC結(jié)果主要集中在0.2～0.3，為此設(shè)定篩選閾值為0.3與本文選擇的0.5進(jìn)行對比分析，最終結(jié)果見表8。由表8可以看出，采用EMD預(yù)處理的分類模型準(zhǔn)確率最高為87.5%，而采用MEMD方法的分類準(zhǔn)確率最低可達(dá)到92.5%。除此之外MIC篩選閾值設(shè)定為0.5得到的結(jié)果要比0.3好很多，最高可以達(dá)到96.5%分類準(zhǔn)確率。因此可以證實(shí)MEMD相較EMD而言更優(yōu)，同時(shí)，當(dāng)篩選閾值設(shè)定為0.5時(shí)，MEMD-SPA-XGBoost的分類效果最佳。

2.5.2 與傳統(tǒng)分類器的對比

傳統(tǒng)的分類器在木材識別領(lǐng)域應(yīng)用十分廣泛，一直在被眾多學(xué)者不斷的創(chuàng)新。但是，在處理木材的種類較多時(shí)還是需要借助其他算法，識別準(zhǔn)確率也很難保證。為了驗(yàn)證本研究提出的分類模型相比傳統(tǒng)分類模型的優(yōu)越性，在MEMD及SPA的相同處理下，對比了XGBoost和BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、K近鄰分類算法的分類效果，對比結(jié)果見表9。由表9可以看出，MEMD-SPA-KNN的識別準(zhǔn)確率最低，僅為88%；MEMD-SPA-SVM得到的準(zhǔn)確率為90%；MEMD-SPA-BP的識別準(zhǔn)確率為89.2%，這3種方法的識別準(zhǔn)確率均低于本研究提出XGBoost的分類結(jié)果?？梢姡琈EMD-SPA-XGBoost分類模型在對進(jìn)口木材識別方面具有很好的分類效果。

3 結(jié)論

本研究構(gòu)建了MEMD-SPA-XGBoost識別模型對可見/近紅外光譜在木材識別方面進(jìn)行了研究。以巴里黃檀、刺猬紫檀、大果紫檀、紅檀香、破布木、檀香紫檀、血檀和中美洲黃檀8種進(jìn)口木材為研究對象，采用多元經(jīng)驗(yàn)?zāi)B(tài)分解和最大互信息系數(shù)相結(jié)合的方法對原始數(shù)據(jù)進(jìn)行分解、篩選、重構(gòu)，應(yīng)用SPA對可見/近紅外光譜數(shù)據(jù)進(jìn)行特征波段提取，并作為XGBoost的輸入變量，對木材進(jìn)行快速識別。結(jié)果表明：MEMD這種信號處理方法應(yīng)用在可見/近紅外光譜數(shù)據(jù)預(yù)處理方面比EMD的去噪效果好很多；利用MIC對IMF進(jìn)行篩選時(shí)，篩選閾值取0.5重構(gòu)的光譜數(shù)據(jù)要比取0.3得到的光譜數(shù)據(jù)具有更少的干擾信息；同時(shí)MEMD-SPA-XGBoost識別模型對8種進(jìn)口木材的識別率均高于傳統(tǒng)分類器，識別準(zhǔn)確率可以達(dá)到96.5%。

【參 考 文 獻(xiàn)】

[1]賀蕾.中國鋸材和原木進(jìn)口需求彈性及市場格局研究[J].林業(yè)經(jīng)濟(jì)問題，2022，42（3）：289-297.

HE L. A study on the elasticity of import demand and market pattern of sawn timber and logs in China[J]. Economic Issues In Forestry， 2022， 42（3）： 289-297.

[2]KENFACK D， ABIEM I， CHAPMAN H. The efficiency of DNA barcoding in the identification of Afromontane forest tree species[J]. Diversity， 2022， 14（4）： 233.

[3]HWANG S W， SUGIYAMA J. Computer vision-based wood identification and its expansion and contribution potentials in wood science： A review[J]. Plant Methods， 2021， 17（1）： 47.

[4]PAN X， LI K， CHEN Z， et al. Identifying wood based on near-infrared spectra and four gray-level co-occurrence matrix texture features [J]. Forests， 2021， 12（11）： 1527.

[5]白慶旭，候英，楊盼盼，等.基于近紅外光譜技術(shù)的天麻產(chǎn)地鑒別方法[J].西部林業(yè)科學(xué)，2021，50（3）：124-130.

BAI Q X， HOU Y， YANG P P， et al. Identification of Gastrodia elata producing areas based on near-infrared spectroscopy[J]. Western Forestry Sciences， 2021， 50（3）： 124-130.

[6]汪紫陽，尹世逵，李穎，等.基于可見/近紅外光譜識別東北地區(qū)常見木材[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2019，36（1）：162-169.

WANG Z Y， YI S K， LI Y， et al. Identification of common wood in northeast China based on visible/near infrared spectroscopy[J]. Journal of Zhejiang Forestry University， 2019， 36（1）： 162-169.

[7]明曼曼，陳芳，孫愷琦，等.基于集群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的NIRS樹種識別研究[J].西部林業(yè)科學(xué)，2020，49（5）：124-128.

MING M M， CHEN F， SUN K Q， et al. Study on NIRS tree species identification based on BP neural network optimized by cluster algorithm[J]. Western Forestry Sciences， 2020， 49（5）： 124-128.

[8]LI Y， WANG G， GUO G， et al. Spectral pre-processing and multivariate calibration methods for the prediction of wood density in Chinese white poplar by visible and near infrared spectroscopy[J]. Forests， 2022， 13（1）： 62.

[9]葛維春，殷祥翔，葛延峰，等.基于MEMD和HHT的電力系統(tǒng)低頻振蕩模式識別方法研究[J].電力系統(tǒng)保護(hù)與控制，2020，48（6）：124-135.

GE W C， YIN X X， GE Y F， et al. Research on low frequency oscillation pattern recognition method based on MEMD and HHT[J]. Power System Protection and Control， 2020， 48（6）： 124-135.

[10]MURAWWAT S， ASIF H M， IJAZ S， et al. Denoising and classification of Arrhythmia using MEMD and ANN [J]. Alexandria Engineering Journal， 2022， 61（4）： 2807-2823.

[11]馮國紅，朱玉杰，徐華東，等.應(yīng)用遺傳算法-主成分分析-反向傳播神經(jīng)網(wǎng)絡(luò)的近紅外光譜識別樹種效果[J].東北林業(yè)大學(xué)學(xué)報(bào)，2020，48（6）：56-60.

FENG G H， ZHU Y J， XU H D， et al. Application of genetic algorithm-principal component analysis-back propagation neural network in near-infrared spectral identification of tree species[J]. Journal of Northeast Forestry University， 2020， 48（6）： 56-60.

[12]梁龍，房桂干，吳珽，等.基于支持向量機(jī)的近紅外特征變量選擇算法用于樹種快速識別[J].分析測試學(xué)報(bào)，2016，35（1）：101-106.

LIANG L， FANG G G， WU J， et al. Fast tree species identification based on support vector machine near-infrared feature variable selection algorithm[J]. Journal of Analytical Testing， 2016， 35（1）： 101-106.

[13]譚念，孫一丹，王學(xué)順，等.基于主成分分析和支持向量機(jī)的木材近紅外光譜樹種識別研究[J].光譜學(xué)與光譜分析，2017，37（11）：3370-3374.

TAN N， SUN Y D， WANG X S， et al. Identification of wood species by near infrared spectroscopy based on principal component analysis and support vector machine[J]. Spectroscopy and Spectral Analysis， 2017， 37（11）： 3370-3374.

[14]王學(xué)順，孫一丹，黃敏高，等.基于BP神經(jīng)網(wǎng)絡(luò)的木材近紅外光譜樹種識別[J].東北林業(yè)大學(xué)學(xué)報(bào)，2015，43（12）：82-85，89.

WANG X S， SUN Y D， HUANG M G， et al. Wood species identification by near infrared spectroscopy based on BP neural network[J]. Journal of Northeast Forestry University， 2015， 43（12）： 82-85， 89.

[15]KOMATY A， BOUDARAA A-O， NOLAN J， et al. On the Behavior of MEMD in presence of multivariate fractional Gaussian noise[J]. IEEE Transactions on Signal Processing， 2021， 69： 2676-2688.

[16]ZHU H Y， CHU B Q， FAN Y Y， et al. Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models[J]. Scientific Reports， 2017（1）： 1-13.

[17]陳倩倩，徐健，劉秀平，等.基于DWT、MEMD和模糊熵的腦電信號特征提取與分類研究[J].河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（1）：143-152.

CHEN Q Q， XU J， LIU X P， et al. Feature extraction and classification of EEG signals based on DWT， MEMD and fuzzy entropy[J]. Journal of Henan University of Technology （Natural Science Edition）， 2022， 41 （1）： 143-152.

[18]于路，薄華.基于改進(jìn)EMD的運(yùn)動想象腦電信號識別算法研究[J].微型機(jī)與應(yīng)用，2016，35（9）：58-61.

YU L， BO H. Study on recognition algorithm of motor imagery EEG based on improved EMD[J]. Microcomputer and Applications， 2016， 35（9）： 58-61.

[19]岳欣華，鄧彩霞，張兆茹.BP神經(jīng)網(wǎng)絡(luò)與形態(tài)學(xué)融合的邊緣檢測算法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2021，26（5）：83-90

YUE X H， DENG C X， ZHANG Z R. BP neural network fuse with morphology edge detection method[J]. Journal of Harbin University of Science and Technology， 2021， 26（5）：83-90.

[20]欒景然，馮國紅，朱玉杰.基于連續(xù)投影算法-遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的可見/近紅外光譜木材識別[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2022，39（3）：671-678.

LUAN J R， FENG G H， ZHU Y J. Wood recognition by visible/near infrared spectroscopy based on continuous projection algorithm-genetic algorithm-BP neural network[J]. Journal of Zhejiang Forestry University， 2022， 39（3）： 671-678.

[21]聶鳳明，羅峻，楊欣卉，等.基于經(jīng)驗(yàn)?zāi)B(tài)分解的近紅外光譜預(yù)處理研究[J].上海紡織科技，2018，46（3）：45-47，61.

NIE F M， LUO J， YANG X H， et al. Study on near-infrared spectral preprocessing based on empirical mode decomposition[J]. Shanghai Textile Technology， 2018， 46（3）： 45-47， 61.

[22]白慶旭，候英，楊盼盼，等.基于近紅外光譜技術(shù)的天麻產(chǎn)地鑒別方法[J].西部林業(yè)科學(xué)，2021，50（3）124-130.

BAI Q X， HOU Y， YANG P P， et al. Identification method of the producetion site of Gastrodia elata Blume based on near infrared spectroscopy[J]. Journal of West China Forestry Science， 2021， 50（3）124-130.

[23]RAFIQ H J， RASHED G I， SHAFIK M B. Application of multivariate signal analysis in vibration-based condition monitoring of wind turbine gearbox[J]. International Transactions On Electrical Energy Systems， 2021， 31（2）： 1845-1849.