基于BWO-SVM算法的廣陳皮陳化年份高光譜鑒別模型

呂石磊, 王宏煒, 李 震*, 周 旭, 趙 靜

1. 華南農(nóng)業(yè)大學(xué)電子工程學(xué)院(人工智能學(xué)院), 廣東 廣州 510642

2. 人工智能與數(shù)字經(jīng)濟(jì)廣東省實(shí)驗(yàn)室(廣州), 廣東 廣州 510330

3. 國(guó)家柑橘產(chǎn)業(yè)技術(shù)體系機(jī)械化研究室, 廣東 廣州 510642

引 言

陳皮為蕓香科柑橘屬植物的干燥成熟果皮, 其中以廣陳皮的質(zhì)量為優(yōu)。 作為我國(guó)嶺南地區(qū)的道地藥材, 廣陳皮是陳化中藥的典型代表, 被列為廣東三寶之首[1]。 源于茶枝柑的廣陳皮相比于普通陳皮, 具有疏肝利膽、 理氣健脾等獨(dú)特功效, 具有“越陳越香”的特征, 這也造成不同陳化年份的廣陳皮在售價(jià)上有巨大的區(qū)別。 一些不法商家為了謀取巨大的經(jīng)濟(jì)利益進(jìn)行年份造假的行為時(shí)有發(fā)生, 為有效避免消費(fèi)者的損失, 如何應(yīng)用簡(jiǎn)便、 準(zhǔn)確、 非破壞性的手段鑒別出廣陳皮的真實(shí)陳化年份具有重要意義。

國(guó)內(nèi)外有很多學(xué)者都對(duì)陳皮陳化年份的鑒別進(jìn)行了相關(guān)研究。 Choi等采用高效液相色譜與二極管陣列檢測(cè)(HPLC-DAD)技術(shù), 通過(guò)分析陳皮樣本中的酚類化合物含量來(lái)推斷陳化年份[2]; 柴利萍采用可見分光光度法測(cè)定不同年份陳皮樣本的黃酮含量, 以此來(lái)構(gòu)建陳化年份鑒別模型[3]。 在光譜學(xué)的應(yīng)用領(lǐng)域, 楊方等在陳皮表面依附帶有銀納米顆粒的金膜, 利用該特殊基底能夠增強(qiáng)拉曼光譜信號(hào)的特性, 通過(guò)采集與分析陳皮樣本表面的增強(qiáng)拉曼光譜數(shù)據(jù)來(lái)推斷陳化年份[4]; 余梅等采集了不同陳化年份陳皮的近紅外光譜, 并采用主成分分析(PCA)、 差異成分分析(SIMCA)等方法構(gòu)建了不同年份陳皮的鑒別模型[5]。 由于陳皮成分復(fù)雜, 各光譜波段間的信息關(guān)聯(lián)度較差, 因此運(yùn)用光譜學(xué)知識(shí)對(duì)陳皮進(jìn)行年份鑒別需要通過(guò)改進(jìn)光譜數(shù)據(jù)處理方法提高鑒別準(zhǔn)確率。 作為一種無(wú)損鑒別技術(shù), 高光譜成像能夠?qū)颖镜墓庾V信息與空間信息相結(jié)合, 進(jìn)而在樣本成分分析方面具有較好的技術(shù)優(yōu)勢(shì), 已被廣泛應(yīng)用在地表遙感、 水質(zhì)檢測(cè)、 植被監(jiān)測(cè)等領(lǐng)域[6]。

針對(duì)現(xiàn)階段廣陳皮陳化年份鑒別的不足和空白, 應(yīng)用高光譜成像技術(shù), 以不同陳化年份的廣陳皮樣本作為研究對(duì)象, 采用不同的光譜預(yù)處理算法、 特征波段選擇方式和優(yōu)化的鑒別模型對(duì)廣陳皮的陳化年份進(jìn)行鑒別, 并提出一種結(jié)合黑寡婦優(yōu)化算法和支持向量機(jī)(BWO-SVM)的高光譜快速無(wú)損鑒別方法, 為廣陳皮陳化年份鑒別提供了新的技術(shù)參考。

1 實(shí)驗(yàn)部分

1.1 材料與設(shè)備

采用的廣陳皮出產(chǎn)于廣東省江門市的新寶堂陳皮有限公司(網(wǎng)購(gòu)), 樣本均為茶枝柑的干燥成熟果皮, 樣品陳化年份分別為5年、 10年、 15年、 20年, 不同年份的廣陳皮在外觀上很難進(jìn)行人工區(qū)分。

采用的高光譜采集設(shè)備是北京卓立漢光儀器有限公司的GaiaField便攜式高光譜成像系統(tǒng), 如圖1所示。 該系統(tǒng)主要由面陣CCD探測(cè)器, 高光譜鏡頭(分辨率696×256 Pix), 均勻光源(4個(gè)100 W鹵素?zé)? 位于采樣臺(tái)四周), 光譜儀(波長(zhǎng)范圍385～1 014 nm, 共256個(gè)波段)等組成。

圖1 高光譜成像系統(tǒng)結(jié)構(gòu)

圖2 5年廣陳皮樣本ROI取樣

1.2 數(shù)據(jù)采集

由于廣陳皮樣本形狀各異、 表面凹凸不平, 采集的高光譜圖像會(huì)有較大的差異; 同時(shí)光譜采集過(guò)程中相機(jī)存在暗電流等噪聲影響, 為了使采集效果達(dá)到最佳, 必須調(diào)整相機(jī)的鏡頭參數(shù)。 設(shè)置高光譜成像系統(tǒng)的相機(jī)曝光時(shí)間為27 ms, 鏡頭到樣本的距離為42 cm, 平臺(tái)移動(dòng)速度為1.38 mm·s-1[7]。

高光譜需要在黑暗密閉的環(huán)境中進(jìn)行采集, 使用100 W鹵素?zé)裟M太陽(yáng)光, 調(diào)整鹵素?zé)舴轿唤菫?5°且距離樣本區(qū)垂直高度為40 cm。 采樣前需對(duì)廣陳皮樣本擦拭去除表面的灰塵。 在相同條件下, 樣本內(nèi)側(cè)朝向相機(jī)鏡頭放置于反射率接近于0的黑色絨布上, 光譜儀鏡頭盡量對(duì)準(zhǔn)樣本的中心位置。 共獲得341個(gè)廣陳皮樣本的高光譜數(shù)據(jù), 包括86個(gè)5年樣本數(shù)據(jù)、 87個(gè)10年樣本數(shù)據(jù)、 82個(gè)15年樣本數(shù)據(jù)和86個(gè)20年樣本數(shù)據(jù)。

數(shù)據(jù)分析處理軟件包括: SpecVIEW、 ENVI5.3、 The Unscrambler X10.4、 Matlab 2016a、 Python3.10等。

1.3 數(shù)據(jù)處理

使用SpecVIEW軟件對(duì)廣陳皮的高光譜樣本進(jìn)行鏡頭校準(zhǔn)和反射率校準(zhǔn), 利用自帶的鏡頭校準(zhǔn)修復(fù)失真和透視; 利用標(biāo)準(zhǔn)反射板的反射率校正數(shù)據(jù), 得到更準(zhǔn)確的樣本高光譜反射圖像[8]。 高光譜圖像反射率校正如式(1)所示。

R=(R0-RB)/(RW-RB)

(1)

式(1)中,R為校正后高光譜圖像,R0為原始圖像,RB為遮擋鏡頭得到的黑板圖像,RW為白板反射圖像。

使用ENVI5.3軟件對(duì)采集到的廣陳皮高光譜數(shù)據(jù)進(jìn)行處理。 在每個(gè)樣本的四角位置和中間位置分別取點(diǎn), 總計(jì)選取5個(gè)感興趣區(qū)域(region of interest, ROI), 每個(gè)ROI選擇的范圍是20×20 Pix, 因此每個(gè)樣本可得到2 000(400×5)條光譜數(shù)據(jù), 將數(shù)據(jù)導(dǎo)入到Matlab 2016a中進(jìn)行均值化處理。

1.4 高光譜數(shù)據(jù)預(yù)處理算法

高光譜成像數(shù)據(jù)受到來(lái)自廣陳皮自身因素干擾(樣本表面平整度、 水分含量等)和其他外界因素干擾(環(huán)境、 暗電流等), 因此采集的樣本數(shù)據(jù)中通常包含著無(wú)關(guān)信息和噪聲[9]。 為了降低以上干擾對(duì)數(shù)據(jù)采集的影響, 需要進(jìn)行光譜預(yù)處理。

1.4.1 多項(xiàng)式平滑算法

多項(xiàng)式平滑算法(savitzky-golay smoothing, SG)是基于最小二乘原理的平滑算法, 其原理是利用中心點(diǎn)以及周邊若干點(diǎn)進(jìn)行最小二乘擬合, 盡可能減少噪音對(duì)有用信息的影響, 同時(shí)提高光譜數(shù)據(jù)的平滑性。

1.4.2 多元散射校正算法

多元散射校正算法(multiple scattering correction, MSC)通過(guò)理想光譜修正數(shù)據(jù)的基線偏移現(xiàn)象, 可以有效的消除不同散射水平的光譜差異, 從而增強(qiáng)光譜與數(shù)據(jù)之間的相關(guān)性, 分離散射光譜中的物理光散射信息以及化學(xué)光吸收信息, 校正樣品中的光譜信息。

1.4.3 去趨勢(shì)算法

去趨勢(shì)算法(detrend)將光譜圖象分解成靜態(tài)穩(wěn)定分量和非線性趨勢(shì)項(xiàng), 并消減非線性趨勢(shì)項(xiàng), 從而得到靜態(tài)穩(wěn)定分量, 其優(yōu)勢(shì)是減少相關(guān)性分析中數(shù)據(jù)畸變的概率, 防止低頻成分上翹掩蓋主頻成分, 影響模型鑒別精度。

基于各類預(yù)處理算法的廣陳皮高光譜數(shù)據(jù)如圖3所示, 其中基于SG_detrend算法處理后的光譜曲線有相對(duì)明顯的波峰和波谷, 因此更適合于處理廣陳皮高光譜數(shù)據(jù)。

圖3 基于各類預(yù)處理算法的廣陳皮高光譜數(shù)據(jù)

1.5 降維算法

高光譜具有波長(zhǎng)多、 譜帶重疊等特征, 在處理高光譜信息時(shí)可能出現(xiàn)運(yùn)算資源的浪費(fèi)和運(yùn)算時(shí)間過(guò)長(zhǎng)等問(wèn)題。 同時(shí)無(wú)關(guān)的波段對(duì)建立模型還會(huì)產(chǎn)生負(fù)面影響, 所以需要通過(guò)光譜降維去除冗余波段, 這樣既提高模型的鑒別準(zhǔn)確率, 同時(shí)也降低模型過(guò)擬合風(fēng)險(xiǎn)和存儲(chǔ)運(yùn)算壓力。

1.5.1 連續(xù)投影算法

連續(xù)投影算法(successive projections algorithm, SPA)是一種使矢量空間共線性最小化的前向變量選擇算法, 在降低共線信息和獲取有效信息等方面有較好的效果[10]。 在全波段的光譜數(shù)據(jù)中選擇出提供主要貢獻(xiàn)的波段, 減少參與鑒別的光譜維度, 同時(shí)降低噪聲和其他冗余信息的影響。

將基于SG_detrend算法處理后的廣陳皮高光譜數(shù)據(jù)作為輸入樣本, 經(jīng)SPA算法篩選特征波段后, 得到18個(gè)特征波段, 如圖4所示。

圖4 SPA算法篩選特征變量過(guò)程

1.5.2 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling, CARS)以波段變量回歸系數(shù)的絕對(duì)值當(dāng)參考指標(biāo), 選取數(shù)值大的變量, 篩除數(shù)值小的變量, 其中變量個(gè)數(shù)由衰減指數(shù)法(exponentially decreasing function, EDF)確定; 在未被選取的波段變量中, 采用自適應(yīng)加權(quán)算法(adaptive reweighted sampling, ARS)再次選取回歸系數(shù)絕對(duì)值相對(duì)較大的波段[11]。

將基于SG_detrend預(yù)處理算法的廣陳皮高光譜數(shù)據(jù)作為輸入樣本, 設(shè)置蒙特卡洛迭代次數(shù)為50; 結(jié)果表明, 當(dāng)?shù)螖?shù)為8時(shí), 篩選效果最好, 經(jīng)CARS算法篩選后得到50個(gè)特征波段, 如圖5所示。

圖5 CARS篩選特征變量過(guò)程

1.5.3 逐步回歸算法

逐步回歸算法(stepwise regression, SR)通過(guò)逐個(gè)引入貢獻(xiàn)相對(duì)大的顯著自變量來(lái)增加回歸方程的準(zhǔn)確性, 同時(shí)排除非顯著變量, 減少冗余信息干擾, 最終得到最優(yōu)的回歸模型。 由于CARS算法篩選出的特征波段數(shù)量較大, 需要進(jìn)一步降維, 采用SR算法對(duì)CARS算法篩選后的廣陳皮高光譜特征波段進(jìn)一步篩選, 最終得到22個(gè)特征波段, 如圖6所示。

圖6 SR算法篩選特征變量

1.6 分類鑒別模型

分類鑒別模型是模式識(shí)別與機(jī)器學(xué)習(xí)等領(lǐng)域的重要組成部分, 其表征了模型輸入與輸出之間的特定映射關(guān)系, 能夠通過(guò)對(duì)已有樣本數(shù)據(jù)的學(xué)習(xí)與訓(xùn)練來(lái)實(shí)現(xiàn)對(duì)廣陳皮高光譜數(shù)據(jù)的精準(zhǔn)分類鑒別。

1.6.1 偏最小二乘判別分析模型

偏最小二乘判別分析(partial least-regression, PLS)模型通過(guò)將因變量和自變量投影到新的多維空間中, 形成基于最大化自變量相干性的線性回歸模型。 PLS將原始光譜中包含的信息放置在排序在前面的若干主成分中, 所選擇的主成分之間互不干擾, 這樣既解決了高光譜數(shù)據(jù)中的共線性難題, 同時(shí)減少了噪聲影響。

1.6.2 支持向量機(jī)模型

支持向量機(jī)(support vector machine, SVM)模型采用線性方程組得到支持向量, 基于最小化經(jīng)驗(yàn)誤差和最大化幾何邊緣區(qū)的方式來(lái)降低結(jié)構(gòu)分類風(fēng)險(xiǎn)和過(guò)擬合風(fēng)險(xiǎn), 進(jìn)而增加分類模型的穩(wěn)定性。 但是SVM模型的錯(cuò)誤懲罰系數(shù)c和核系數(shù)g大多基于經(jīng)驗(yàn)數(shù)據(jù)獲取, 通用性較差, 因此本研究結(jié)合樣本數(shù)據(jù)特征進(jìn)一步優(yōu)化SVM模型參數(shù)。

1.6.3 粒子群算法優(yōu)化SVM模型

粒子群算法(particle swarm optimization, PSO)的靈感來(lái)自于生物體的社會(huì)行為, 利用一群粒子通過(guò)學(xué)習(xí)不斷調(diào)整位置和速度來(lái)尋找最佳的個(gè)體和全局最優(yōu)解。 設(shè)置PSO算法的種群規(guī)模為20, 迭代次數(shù)為100, 獨(dú)立運(yùn)行次數(shù)為20; 將SVM模型系數(shù)作為PSO算法的可行解域, 基于最優(yōu)的適應(yīng)度值更新粒子位置和速度, 采用當(dāng)前的全局最優(yōu)解訓(xùn)練SVM模型, 直至達(dá)到最大迭代次數(shù)。

1.6.4 蝗蟲算法優(yōu)化SVM模型

蝗蟲算法(grasshopper optimization algorithm, GOA) 是一種元啟發(fā)式仿生優(yōu)化算法[12], 模擬蝗蟲在自然界中的種群遷移和覓食行為, 具有較高的搜索效率和較快的收斂速度, 并且算法本身特殊的自適應(yīng)機(jī)制能夠很好地平衡全局和局部搜索過(guò)程, 具有較好的效果。 設(shè)置GOA算法的種群規(guī)模為20, 迭代次數(shù)為100, 獨(dú)立運(yùn)行次數(shù)為20; 基于GOA算法優(yōu)化SVM模型的過(guò)程與1.6.3節(jié)一致。

1.6.5 黑寡婦優(yōu)化算法優(yōu)化SVM模型

黑寡婦蜘蛛對(duì)能夠表現(xiàn)個(gè)體狀態(tài)的性信息素較為敏感, 高性信息素的配偶能夠提供足夠的生育能力, 低性信息素的個(gè)體因傾向于吞噬同類而被種群集體排斥和遺棄。 黑寡婦優(yōu)化算法(black widow optimization algorithm, BWO)是基于黑寡婦蜘蛛獨(dú)特行為啟發(fā)的一種新型元啟發(fā)式算法[13], 具有收斂速度快、 尋優(yōu)效率高等優(yōu)勢(shì)。 在BWO算法中, 黑寡婦蜘蛛能夠根據(jù)上一次迭代過(guò)程中最優(yōu)解所對(duì)應(yīng)的位置和本次迭代過(guò)程中其他黑寡婦蜘蛛所在的位置來(lái)調(diào)整自身的下一個(gè)尋優(yōu)位置。 基于BWO算法優(yōu)化SVM模型的計(jì)算流程如圖7所示, 具體步驟如下所述。

圖7 BWO優(yōu)化SVM流程

(1)BWO算法參數(shù): 種群規(guī)模為20, 迭代次數(shù)為100, 獨(dú)立運(yùn)行次數(shù)為20, 將作為黑寡婦蜘蛛的性信息素警戒值設(shè)為0.3, 個(gè)體螺旋式移動(dòng)決定閾值設(shè)為0.7; SVM模型參數(shù): 錯(cuò)誤懲罰系數(shù)c和核系數(shù)g的取值范圍設(shè)為[0.000 1, 1 000]。

(2)采用均方根誤差(root mean squared error, RMSE)作為適應(yīng)度函數(shù)fitness, 如式(2)所示。

fitness=argmin(RMSESVMpredict)

(2)

對(duì)所有的黑寡婦蜘蛛對(duì)應(yīng)的適應(yīng)度值進(jìn)行排序, 得到當(dāng)前最優(yōu)的SVM模型參數(shù)。

(3)計(jì)算并更新當(dāng)前迭代過(guò)程中所有黑寡婦蜘蛛對(duì)應(yīng)的性信息素值, 如式(3)所示。 其中fitness(i)是當(dāng)前黑寡婦蜘纂的適應(yīng)度, pheromone(i)是當(dāng)前黑寡婦蜘蛛的性信息素值。

(3)

(4)

(5)

(6)計(jì)算并更新黑寡婦群體適應(yīng)度值, 若達(dá)到算法停止條件則輸出最優(yōu)解, 否則重復(fù)步驟2—步驟6。

2 結(jié)果與討論

2.1 基于PLS模型的高光譜數(shù)據(jù)預(yù)處理算法性能分析

采用PLS模型檢驗(yàn)不同的高光譜數(shù)據(jù)預(yù)處理算法性能, 指標(biāo)包括決定系數(shù)(determination coefficients,R2)、 RMSE和PLS模型鑒別準(zhǔn)確率[14]。 其中,R2值越大表征回歸效果越好, RMSE越趨近于0則表示鑒別結(jié)果越靠近實(shí)際結(jié)果。 預(yù)處理算法性能結(jié)果如表1所示。 從表中可知, 各類高光譜數(shù)據(jù)預(yù)處理算法均對(duì)PLS模型的鑒別結(jié)果有一定程度的提升作用, 其中SG_detrend預(yù)處理算法的性能最佳。

表1 預(yù)處理算法性能分析

2.2 基于降維算法的廣陳皮高光譜特征波段篩選

針對(duì)基于SG_detrend預(yù)處理算法的廣陳皮高光譜數(shù)據(jù), 分別采用SPA和CARS_SR兩類降維算法來(lái)篩選特征波段, 如表2所示, 其中SPA算法篩選得到18個(gè)特征波段, CARS_SR篩選得到22個(gè)特征波段。

表2 廣陳皮高光譜特征波段篩選分析

2.3 廣陳皮分類鑒別模型性能分析

使用蒙特卡洛算法將各年份廣陳皮高光譜數(shù)據(jù)按比例3∶1隨機(jī)分為訓(xùn)練集和測(cè)試集, 共得到訓(xùn)練集258個(gè), 測(cè)試集83個(gè)。 錯(cuò)誤懲罰系數(shù)c和核系數(shù)g是決定SVM模型性能的重要參數(shù), 本研究分別采用了PSO算法、 GOA算法和BWO算法來(lái)優(yōu)化SVM模型參數(shù)。 其中, 參數(shù)c和g的取值范圍為[0.000 1, 1 000]; 各優(yōu)化算法的種群規(guī)模為20, 迭代次數(shù)為100, 獨(dú)立運(yùn)行次數(shù)為20。 經(jīng)各算法優(yōu)化得到的SVM模型最優(yōu)參數(shù)分別為: (PSO-SVM)c=59.931 6,g=0.010 3; (GOA-SVM)c=93.975 9,g=0.506 6; (BWO-SVM)c=80.270 1,g=0.159 5。

為綜合分析不同分類鑒別模型性能, 本研究設(shè)計(jì)了包含PLS、 PSO-SVM、 GOA-SVM和BWO-SVM四種算法的廣陳皮陳化年份鑒別實(shí)驗(yàn)。 其中, 輸入樣本數(shù)據(jù)均采用了SG_detrend預(yù)處理算法, 特征波段分別采用了未經(jīng)降維算法處理的全波段(FULL)、 SPA特征波段集合和CARS_SR特征波段集合。 不同分類鑒別模型的實(shí)驗(yàn)結(jié)果如表3所示。 首先, 從降維算法的角度看, 與全波段相比, SPA算法和CARS_SR算法均能夠在一定程度上剔除冗余信息, 進(jìn)而提升鑒別模型的各項(xiàng)性能; 其次, 從分類鑒別模型的角度看, 與PLS模型相比, SVM模型能夠得到更好的鑒別結(jié)果, 尤其是基于全波段的FULL-BWO-SVM模型對(duì)廣陳皮年份鑒別的準(zhǔn)確率(95.18%)高于基于CARS_SR降維算法處理后的SPA-PLS模型(91.57%); 最后, 從優(yōu)化算法的角度看, 與PSO算法和GOA算法相比, BWO算法優(yōu)化SVM模型的實(shí)驗(yàn)結(jié)果具有明顯優(yōu)勢(shì), 也驗(yàn)證了BWO算法尋優(yōu)效率高、 不易于陷入局部最優(yōu)等特點(diǎn)。 從表中可知, SG_detrend-CARS_SR-BWO-SVM模型性能最好, 對(duì)廣陳皮陳化年份的鑒別準(zhǔn)確率達(dá)到97.59%, RMSE為0.060 2,R2為0.952 9, 該誤差主要來(lái)自高陳化年份的廣陳皮樣本數(shù)據(jù), 驗(yàn)證結(jié)果如圖8所示; 該模型比次優(yōu)模型SG_detrend-SPA-BWO-SVM提升了1.20個(gè)百分點(diǎn), 比對(duì)照模型CARS_SR-PSO-SVM提升了4.82個(gè)百分點(diǎn)。

表3 不同分類鑒別模型的實(shí)驗(yàn)結(jié)果

圖8 SG_detrend-CARS_SR-BWO-SVM模型驗(yàn)證結(jié)果

3 結(jié) 論

采集四類陳化年份的廣陳皮高光譜信息作為數(shù)據(jù)集, 結(jié)合預(yù)處理算法、 降維算法, 通過(guò)構(gòu)建PLS、 PSO-SVM、 GOA-SVM、 BWO-SVM四種分類模型對(duì)廣陳皮的陳化年份進(jìn)行鑒別, 得出如下結(jié)論:

(1)采用SG_MSC算法和SG_detrend算法對(duì)廣陳皮高光譜數(shù)據(jù)進(jìn)行預(yù)處理, 其中SG_detrend算法較SG_MSC算法更能有效降低環(huán)境因素干擾, 消除光譜差異, 進(jìn)而突出廣陳皮自身的特征信息。

(2)采用SPA算法和CARS_SR算法對(duì)廣陳皮高光譜數(shù)據(jù)進(jìn)行特征提取, 其中CARS_SR算法較SPA算法更能有效增強(qiáng)高光譜數(shù)據(jù)和陳化年份之間的關(guān)聯(lián)性, 進(jìn)而降低分類鑒別模型輸入變量的復(fù)雜度。

(3)采用PSO算法、 GOA算法和BWO算法優(yōu)化SVM模型, 以此來(lái)得到分類鑒別模型的最優(yōu)控制參數(shù), 并與PLS模型進(jìn)行對(duì)照實(shí)驗(yàn); 結(jié)果表明, SVM模型較PLS模型具有更好的鑒別結(jié)果, BWO算法較其他優(yōu)化算法具有更好的尋優(yōu)性能。

(4)SG_detrend-CARS_SR-BWO-SVM模型對(duì)廣陳皮陳化年份的鑒別準(zhǔn)確率達(dá)到97.59%, RMSE=0.060 2,R2=0.952 9; 下一步工作將側(cè)重研究廣陳皮的不同品種、 產(chǎn)地等因素對(duì)陳化年份與高光譜數(shù)據(jù)之間的影響, 并且加強(qiáng)對(duì)高年份廣陳皮的鑒別能力, 提升分類鑒別模型的泛化能力。