JSPECgydF4y2Ba 《光谱学gydF4y2Ba 2314 - 4939gydF4y2Ba 2314 - 4920gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/6715247gydF4y2Ba 6715247gydF4y2Ba 研究文章gydF4y2Ba 高光谱波长选择和集成库尔勒香梨的擦伤检测gydF4y2Ba https://orcid.org/0000 - 0002 - 2777 - 2639gydF4y2Ba 方gydF4y2Ba 翳明gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 杨gydF4y2Ba 方ydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba https://orcid.org/0000 - 0001 - 5463 - 3469gydF4y2Ba 周gydF4y2Ba 朱gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 林gydF4y2Ba LujungydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba https://orcid.org/0000 - 0002 - 8429 - 4979gydF4y2Ba 李gydF4y2Ba 小秦gydF4y2Ba 1gydF4y2Ba 咀嚼gydF4y2Ba 凌晨gydF4y2Ba 1gydF4y2Ba 现代农业工程的重点实验室gydF4y2Ba 塔里木大学gydF4y2Ba 艾拉843300gydF4y2Ba 中国gydF4y2Ba taru.edu.cngydF4y2Ba 2gydF4y2Ba 信息工程学院gydF4y2Ba 浙江大学& FgydF4y2Ba 杭州311300gydF4y2Ba 中国gydF4y2Ba zafu.edu.cngydF4y2Ba 3gydF4y2Ba 浙江省林业重点实验室智能监控和信息技术gydF4y2Ba 浙江大学& FgydF4y2Ba 杭州311300gydF4y2Ba 中国gydF4y2Ba zafu.edu.cngydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 28gydF4y2Ba 08年gydF4y2Ba 2019年gydF4y2Ba 12gydF4y2Ba 10gydF4y2Ba 2019年gydF4y2Ba 22gydF4y2Ba 10gydF4y2Ba 2019年gydF4y2Ba 14gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019方翳明et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

波长选择的检测是一项具有挑战性的工作上的淤青梨使用高光谱成像技术。大多数现代研究使用特征波长选择由一个选择方法通常无法处理高光谱数据的广泛的变化。小说框架提出了努力提高擦伤检测的性能,通过结合三种先进的变量选择方法和特性集成的概念。连续投影算法、竞争适应再加权抽样和救援第一次应用到库尔勒梨的光谱,分别。然后,相应的特征波长子集被集成,建立了一套最优的特征波长。ELM-based分类器是用于梨瘀伤最终识别。实验结果表明,该特征波长集成导致低检测错误。该方法是简单和有前途的库尔勒香梨的擦伤检测,也可以用于其他类型的缺陷在水果。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 51565052gydF4y2Ba 塔里木大学gydF4y2Ba TDNG20170301gydF4y2Ba 中国博士后科学基金会的浙江省gydF4y2Ba ZJ20180156gydF4y2Ba 1。介绍gydF4y2Ba

在新疆库尔勒梨是一个重要的水果产品,中国。它有助于当地经济发展和社会生活。因此,种植面积和产量在过去十年中继续增加。2017年,种植面积达到000公顷,年产量为800000吨。然而,淤青的存在,发生在收获操作和水分处理降低了梨的质量,因此造成重大经济损失。从果园到市场,梨接受一系列的操作,如选择、整理、包装、运输、冷藏、分级、包装。在这些链接,梨不可避免地受到擦伤损坏。储存一段时间后,受损组织很容易诱发腐败菌的生长,加速传播的梨腐烂到周围的梨。因此,有一种强烈的需要研究新的方法来检测淤青梨迅速和准确。gydF4y2Ba

然而,梨上的瘀伤是艰巨的检测。轻微损伤后的梨的颜色变化不明显。此外,检测很容易受到许多因素,包括类型的瘀伤,擦伤的严重性,水果条件(gydF4y2Ba 1gydF4y2Ba]。如今,许多技术已经引入这一领域,如光反射,光传输,荧光,超声波,介电性能,x射线,伽马射线和磁共振。(gydF4y2Ba 2gydF4y2Ba]。近红外(NIR)光谱和光谱成像分析技术有成本低的优点,已经广泛应用于快速、无损和水果擦伤检测近年来。张报告检测精度94.75%的快速、无损检测的淤青苹果利用高光谱图像在400 - 1000海里地区(gydF4y2Ba 3gydF4y2Ba]。李等人短波近红外光谱成像技术应用于桃子和分割的原始高光谱图像到青地区和受影响地区高精度(gydF4y2Ba 4gydF4y2Ba]。类似的应用近红外光谱学和光谱成像分析技术也调查发现擦伤在其他水果,如蓝莓(gydF4y2Ba 5gydF4y2Ba),猕猴桃gydF4y2Ba 6gydF4y2Ba),而gydF4y2Ba 枸杞gydF4y2BaL (gydF4y2Ba 7gydF4y2Ba]。更广泛的评论所提供的应用程序是刘et al。gydF4y2Ba 8gydF4y2Ba和王et al。gydF4y2Ba 9gydF4y2Ba]。gydF4y2Ba

这些研究表明,近红外光谱和光谱成像分析是一种很有前途的技术检测瘀伤损伤在水果。然而,与其他水果相比,只有少数工作开展梨直到现在仍然需要进一步探索,尽管已经有许多研究梨的瘀伤易感性和存储时间(gydF4y2Ba 10gydF4y2Ba,gydF4y2Ba 11gydF4y2Ba]。讨厌等人结合高光谱成像与监督分类技术(再和支持向量机)检测瘢痕面积梨(gydF4y2Ba 12gydF4y2Ba]。李等人介绍了gydF4y2Ba FgydF4y2Ba值的方法找到最优波段比值的梨高光谱图像,然后比较了乐队的比例与预定的阈值图像的每个像素段的形象受损区域(gydF4y2Ba 13gydF4y2Ba]。照明不均匀性的影响梨的擦伤检测使用高光谱成像技术研究了赵。为解决这一问题,介绍了四种方法包括最大似然分类(多层陶瓷),欧氏距离分类(EDC) Mahalano距离分类(MDC)和光谱角制图者(SAM)。实验结果表明,MDC和山姆取得更好的检测性能。检测精度分别为93.8%和95.0%,(gydF4y2Ba 14gydF4y2Ba]。gydF4y2Ba

特别是,最好的作者的知识,有几乎没有研究报道调查梨的擦伤检测波长选择方法使用近红外光谱学和光谱成像分析。江提取梨的特征波长的高光谱图像主成分分析(PCA),然后确定损伤的梨使用偏最小二乘判别分析(gydF4y2Ba 15gydF4y2Ba]。此外,如前所述,检测很容易受到很多因素。找到一个方法来选择与多种波长的高光谱图像是很困难的。本文的具体目标是提出一个基于部件级的特征波长选择方法集成框架,旨在为企业实现更好的性能库尔勒梨的擦伤检测。连续投影算法(SPA)、竞争适应再加权抽样(汽车),和救济方法进行独立的光谱范围从400到1000纳米的样本。随后,选择的波长子集三种方法被集成策略,进一步优化的输出波长设置工作作为输入变量ELM-based分类器来识别上的淤青梨。拟议的框架的主要优势是互补的特征波长选择不同的规则可以提高检测的鲁棒性和准确性的淤青梨。gydF4y2Ba

 2。相关工作gydF4y2Ba

测试样品的近红外光谱通常包含成百上千的波长。巨大的数据集的大小增加了处理负载的NIR光谱应用。因此,它总是希望探索先进的算法选择一个最小子集的波长信息最大的测试样本。在过去的几十年里,各种各样的波长选择方法可以在文献中找到,如分支界限法(gydF4y2Ba 16gydF4y2Ba),不提供信息的变量消除(UVE) [gydF4y2Ba 17gydF4y2Ba),主成分分析(gydF4y2Ba 15gydF4y2Ba],SPA [gydF4y2Ba 18gydF4y2Ba,gydF4y2Ba 19gydF4y2Ba)、汽车(gydF4y2Ba 20.gydF4y2Ba),随机青蛙(gydF4y2Ba 21gydF4y2Ba)、遗传算法(气)(gydF4y2Ba 22gydF4y2Ba]。大量研究表明,可以实现更好的性能比在使用选定的波长子集的全部范围波长(gydF4y2Ba 23gydF4y2Ba,gydF4y2Ba 24gydF4y2Ba]。gydF4y2Ba

在这方面发表了评论(gydF4y2Ba 8gydF4y2Ba,gydF4y2Ba 23gydF4y2Ba- - - - - -gydF4y2Ba 25gydF4y2Ba]。刘等人的方法分为三种类型,过滤器,包装,和嵌入方法。与细节和典型应用,简要分析每种方法的优缺点进行了讨论(gydF4y2Ba 8gydF4y2Ba]。云等人分类的方法基于方法用于变量初始化,造型,评估,和波长选择和比较每种方法的异同gydF4y2Ba 24gydF4y2Ba]。戴等人调查的方法基于生成波长子集的搜索策略。每个算法的原理和应用也提供(gydF4y2Ba 25gydF4y2Ba]。这些评论提供了一个更好的理解的特点,优势,劣势现有的波长选择方法从不同的角度。重要的帮助,读者可以选择一个适当的研究方法和正确应用它。gydF4y2Ba

公认,每种方法都有它自己的特点和局限性,并集成现有的方法可能有助于达到更好的性能的优势结合不同的方法(gydF4y2Ba 24gydF4y2Ba,gydF4y2Ba 25gydF4y2Ba]。有很多混合的方法,结合两个或三个方法。云等人提出的方法VCPA-GA VCPA-IRIV,所选择的变量修改VCPA进一步优化的遗传算法或IRIV [gydF4y2Ba 26gydF4y2Ba]。RF-BP, Chen等人提出的一个新的综合变量子集生成的随机森林和反向传播神经网络(gydF4y2Ba 27gydF4y2Ba]。他们都声称混合算法是一个很好的和有前途的战略变量选择和可以提高近红外光谱的应用程序的性能。然而,大多数现有的级联形式的波长选择的混合方法。前做了一个粗略的选择方法,以及输出波长子集被后者一个精制。如果是前者方法没有选择波长的关键,是不可能利用单一方法的优势(gydF4y2Ba 24gydF4y2Ba]。gydF4y2Ba

出于上述情况,提出了一个集成框架通过结合三种最先进的方法,包括水疗中心、汽车、和解脱。选择这三个算法的动机来自波长选择的良好的性能在报道gydF4y2Ba 18gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 28gydF4y2Ba]。不同于前面提到的混合方法,三种方法结合并行在这工作。这意味着算法可以选择独立变量和每个其他的负面影响是可以避免的。每种方法都有自己的评价指标和选择策略。波长子集选择不同方法的组合关系和互补有更好的能力与感兴趣的属性。所以,并行组合会产生更好的结果比串行形式(gydF4y2Ba 29日gydF4y2Ba]。gydF4y2Ba

 3所示。材料和方法gydF4y2Ba 3.1。梨和瘀伤gydF4y2Ba

库尔勒香梨在临安从当地市场购买区,杭州的城市。为了确保研究的可靠性,共有80个梨是手动选自同一批次产品。他们有类似的形状和大小,表面没有明显的缺陷。他们的表面颜色是均匀分布。样品被随机分为两组,每组40。gydF4y2Ba

空心圆柱体60厘米的高度和直径约7厘米是由手使用纸板。梨是下降了一个接一个从汽缸顶部的人工破坏的赤道位置梨。完整和受损的梨类别分配1和2,分别。gydF4y2Ba

 3.2。高光谱成像系统和图像采集gydF4y2Ba

图gydF4y2Ba 1gydF4y2Ba描述了实验装置。高光谱成像系统由一个工业相机(SOC710-VP、表面光学Corp .)、美国),两个光纤卤素灯(美国Techniquip 150 W补充,3250 K),和一个阶段。整个系统是固定在一个黑暗的商会旨在减少环境光的影响。摄像机的工作范围从400纳米到1000纳米。光谱分辨率为4.68 nm,乐队号码是128。gydF4y2Ba

原理图的实验装置。gydF4y2Ba

下面的梨被放置在舞台上直接扫描相机和垂直地受伤区域。扫描速度是每秒30行,将高光谱图像的时间是46.4秒。gydF4y2Ba

 3.3。高光谱图像校准和预处理gydF4y2Ba

消除不均匀光照的影响和暗电流噪声,图像校准对原始高光谱图像在每个实验。操作可以使用下列方程表示:gydF4y2Ba (1)gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba zgydF4y2Ba −gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 表示原始高光谱图像,gydF4y2Ba 我gydF4y2Ba zgydF4y2Ba 是白色的形象参考反射率为99%,和gydF4y2Ba 我gydF4y2Ba ygydF4y2Ba 对应于相机的暗电流测量与镜头盖。gydF4y2Ba

因此,Savitzky-Golay平滑方法应用校准高光谱图像(gydF4y2Ba 30.gydF4y2Ba去除随机噪声和促进高光谱数据的质量。滑动窗口的长度是7,两个多项式秩序。gydF4y2Ba

 3.4。特征波长选择gydF4y2Ba

正如前面提到的,波长选择的NIR光谱应用程序必不可少的步骤。小说框架提出了这项工作增加擦伤检测的准确性,通过结合三种先进的变量选择方法和特性集成的概念。gydF4y2Ba

3.4.1。水疗方法gydF4y2Ba

温泉是一个向前变量选择算法,可以减少光谱变量之间的共线性,从冗余光谱数据中提取有效的特征。简单的投影操作在一个向量空间首先执行。在所有保持变量,新变量的最大投影值正交的子空间选择前面选择的变量(gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 31日gydF4y2Ba]。gydF4y2Ba

 3.4.2。汽车的方法gydF4y2Ba

汽车的方法选择变量通过模拟“适者生存”的基本原理在达尔文的进化论。每个波长变量是作为一个独特的个体。的适应性再加权抽样技术,这些个体较大的系数的偏最小二乘回归模型选择,而那些小权重消除。通过这种方式,实现波长变量子集的集合。最后,所有的波长变量子集被交叉验证建模,根据交叉验证的均方根误差最小的原则,选择最优波长变量子集(gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 32gydF4y2Ba]。gydF4y2Ba

 3.4.3。救济方法gydF4y2Ba

救济也是一个个人评价过滤特征选择方法提出的基拉和伦德尔在1992年gydF4y2Ba 33gydF4y2Ba,gydF4y2Ba 34gydF4y2Ba]。计算一个代理为每个变量统计可以用来估计同质异构邻居邻居样品和样品之间的差异。然后,相关性阈值的定义,任何具有相关性的变量值大于阈值选择。gydF4y2Ba

 3.4.4。波长选择基于部件级集成gydF4y2Ba

在过去的研究中,波长选择几乎是由一个原则,从而导致较低的健壮的瘀伤的鉴定。一般来说,它已被接受的特征波长选择不同的方法互补关系和有更好的能力来描述目标的属性。关于这个问题,提出了基于部件级集成的波长选择框架。图gydF4y2Ba 2gydF4y2Ba说明了拟议的框架流程图。gydF4y2Ba

特性集成的波长选择方法。gydF4y2Ba

水疗中心、汽车和救济是应用于原始高光谱数据,分别。三个波长的子集。随后,所选变量的三种方法是集成相结合三个子集和删除重复的波长。输出被认为是最佳的波长特性集。gydF4y2Ba

 3.5。极端的学习机器gydF4y2Ba

极端学习机(ELM)是一个快速学习算法基于单隐层前馈神经网络(SLFNs)。它被广泛用于监督学习和无监督学习(gydF4y2Ba 35gydF4y2Ba]。如图gydF4y2Ba 3gydF4y2Ba,榆树由一个输入层、隐藏层和输出层。gydF4y2Ba

榆树网络结构。gydF4y2Ba

给定一个训练集gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba NgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba ˜gydF4y2Ba 它包含gydF4y2Ba NgydF4y2Ba ˜gydF4y2Ba 样本,激活函数gydF4y2Ba ggydF4y2Ba xgydF4y2Ba ,隐藏层神经元的数目gydF4y2Ba NgydF4y2Ba 榆树的训练步骤可以描述如下:gydF4y2Ba

分配权重gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 和偏见gydF4y2Ba bgydF4y2Ba 我gydF4y2Ba 随机,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba NgydF4y2Ba

计算输出层的输出矩阵gydF4y2Ba HgydF4y2Ba =gydF4y2Ba ggydF4y2Ba αgydF4y2Ba 1gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba ⋯gydF4y2Ba ggydF4y2Ba αgydF4y2Ba NgydF4y2Ba xgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba bgydF4y2Ba NgydF4y2Ba ⋯gydF4y2Ba ⋯gydF4y2Ba ⋯gydF4y2Ba ggydF4y2Ba αgydF4y2Ba 1gydF4y2Ba xgydF4y2Ba NgydF4y2Ba ˜gydF4y2Ba +gydF4y2Ba bgydF4y2Ba 1gydF4y2Ba ⋯gydF4y2Ba ggydF4y2Ba αgydF4y2Ba NgydF4y2Ba xgydF4y2Ba NgydF4y2Ba ˜gydF4y2Ba +gydF4y2Ba bgydF4y2Ba NgydF4y2Ba NgydF4y2Ba ˜gydF4y2Ba ×gydF4y2Ba NgydF4y2Ba

获得输出权重根据公式gydF4y2Ba βgydF4y2Ba =gydF4y2Ba HgydF4y2Ba ′gydF4y2Ba HgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba HgydF4y2Ba ′gydF4y2Ba TgydF4y2Ba

与传统SLFN相比,榆树不需要调整输入重量和偏见在训练过程中。输出权值gydF4y2Ba βgydF4y2Ba ,一个最优的榆树的全球解决方案可以很容易地计算,得到根据相应的算法,而非迭代学习。因此,参数优化更容易,训练速度显著提高。此外,它不陷入局部最优。所有这些表明,ELM-based方法可以提供实时、准确、可靠的方法探测瘀伤的梨。gydF4y2Ba

 3.6。绩效评估的擦伤检测gydF4y2Ba

评估性能的梨擦伤检测定量,混淆矩阵被介绍给这个工作,如表所示gydF4y2Ba 1gydF4y2Ba(gydF4y2Ba 36gydF4y2Ba]。gydF4y2Ba

四种类型的梨擦伤检测的结果。gydF4y2Ba

混淆矩阵gydF4y2Ba 实际情况gydF4y2Ba
完整的gydF4y2Ba 瘀伤gydF4y2Ba
检测结果gydF4y2Ba
完整的gydF4y2Ba TPgydF4y2Ba 《外交政策》gydF4y2Ba
瘀伤gydF4y2Ba FNgydF4y2Ba TNgydF4y2Ba

TPgydF4y2Ba 表示完整的样本的数量被发现为完好无损,gydF4y2Ba FNgydF4y2Ba 显示完整的样品检测的数量瘀伤,gydF4y2Ba 《外交政策》gydF4y2Ba 完整的样品检测的数量是伤害,然后呢gydF4y2Ba TNgydF4y2Ba 损坏的样品检测的数量是伤害。gydF4y2Ba

根据混淆矩阵,准确性gydF4y2Ba 一个gydF4y2Ba 、精密gydF4y2Ba PgydF4y2Ba ,召回率R可以表示如下:gydF4y2Ba (2)gydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba +gydF4y2Ba TNgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba TNgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ,gydF4y2Ba PgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba 。gydF4y2Ba

4所示。结果和分析gydF4y2Ba 4.1。反射光谱的梨gydF4y2Ba

感兴趣的区域(ROI)手动选择从每个样本的灰度图像在994.36海里。大小是20×20像素。为了减少不均匀光照的影响,roi的完整的梨被选接近受伤受损区域的样本。根据高光谱成像的原理,每个像素ROI的一个完整的反射率曲线以波长为变量。所有像素的平均反射率曲线在每个样本计算ROI。图gydF4y2Ba 4(一)gydF4y2Ba显示了20个完整表面地区的平均反射率光谱和20受损表面区域。均值和方差的反射光谱图所示gydF4y2Ba 4 (b)gydF4y2Ba。gydF4y2Ba

平均反射率光谱的瘀伤和完整的库尔勒梨表面。(一)原始反射光谱。(b)谱的均值和方差。gydF4y2Ba

它可以观察到完整的样本的平均反射率和瘀伤样本遵循了同样的趋势,但反射比有一个小的区别,特别是在400∼450海里的乐队,600∼700海里,780∼1000海里。识别是可行的瘀伤样本通过分析反射光谱。然而,从图gydF4y2Ba 4(一)gydF4y2Ba可以看到,它的反射率曲线完整的样本和瘀伤彼此重叠。因此,它是必要的,选择不同的特征波长和减少噪音是弱相关的瘀伤和困惑分类器的信息。gydF4y2Ba

 4.2。波长选择的结果gydF4y2Ba

上述三种方法都应用到原始光谱。对于水疗方法,特征波长的最大数量是30。的gydF4y2Ba FgydF4y2Ba以及用于删除那些弱的波长与瘀伤。的显著性水平gydF4y2Ba FgydF4y2Ba以及gydF4y2Ba αgydF4y2Ba 被分配一个值为0.25。根据汽车的产量,可以获得最低RMSECV 25迭代。然后,波长的25集gydF4y2BathgydF4y2Ba迭代中被选为最优特征波长子集。救援的阈值是0.15。权重的波长小于阈值被移除和18波长仍作为输出的救济方法。波长选择过程基于图所示的三个方法gydF4y2Ba 5gydF4y2Ba,分别。gydF4y2Ba

波长选择过程的三个方法。(一)温泉。(b)的汽车。(c)。gydF4y2Ba

输出的子集三种方法相结合,其次是移除重复的波长。波长选择的最终结果列在表中gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

波长选择的结果。gydF4y2Ba

方法gydF4y2Ba 数量gydF4y2Ba 波长(nm)gydF4y2Ba
水疗中心gydF4y2Ba 17gydF4y2Ba 418.72,423.40,428.08,432.76,437.44,442.12,446.80,451.48,456.16,460.84,470.20,474.88,484.24,718.24,751.00,853.96,999.04gydF4y2Ba
汽车gydF4y2Ba 17gydF4y2Ba 409.36,414.04,428.08,446.80,456.16,465.52,479.56,507.64,549.76,587.20,601.24,652.72,741.64,919.48,952.24,985.00,999.04gydF4y2Ba
救援gydF4y2Ba 18gydF4y2Ba 400.00,404.68,409.36,414.04,418.72,423.40,428.08,432.76,437.44,442.12,446.80,970.96,975.64,980.32,985.00,989.68,994.36,999.04gydF4y2Ba
积分法gydF4y2Ba 37gydF4y2Ba 400.00,404.68,409.36,414.04,418.72,423.40,428.08,432.76,437.44,442.12,446.80,451.48,456.16,460.84,465.52,470.20,474.88,479.56,484.24,507.64,549.76,587.20,601.24,652.72,718.24,741.64,751.00,853.96,919.48,952.24,970.96,975.64,980.32,985.00,989.68,994.36,999.04gydF4y2Ba

从表可以看出gydF4y2Ba 2gydF4y2Ba波长选择的三种方法相互重叠在一些地区。特别是,所有三种方法选择波长分布在400 nm的乐队∼460 nm和960 nm∼1000海里。它可以看到从图gydF4y2Ba 4gydF4y2Ba完整的梨和瘀伤的光谱样本在这两个地区有明显不同的反射比。这意味着所有的三种方法都是有效的,他们都能发现高度相关的波长与瘀伤。它也可以从表gydF4y2Ba 2gydF4y2Ba选择的波长的分布三种方法略有不同。例如,只有汽车选择波长500 nm∼700海里的乐队。可以推断,将提取的三个方法从不同的角度不同的特性。高鲁棒性的伤可以确定通过整合所选波长。gydF4y2Ba

 4.3。擦伤检测的结果gydF4y2Ba

成立一个ELM-based分类器的检测与综合波长上青梨。通过大量的实验,被选为乙状结肠功能激活函数和最优隐层神经元的数量设置为20。训练集和测试集包含20个完整的样品和20个损坏的样品。表gydF4y2Ba 3gydF4y2Ba列出了ELM-based分类器的检测结果。相比之下,使用波长子集的擦伤检测的结果也表中提供的三个方法gydF4y2Ba 3gydF4y2Ba。ELM-based分类器的参数是一样的上述实验。gydF4y2Ba

榆树算法的检测结果。gydF4y2Ba

波长选择方法gydF4y2Ba 完整的样品gydF4y2Ba 受伤的样品gydF4y2Ba 精度(%)gydF4y2Ba 精度(%)gydF4y2Ba 召回率(%)gydF4y2Ba
正确的数量gydF4y2Ba 错误的数量gydF4y2Ba 正确的数量gydF4y2Ba 错误的数量gydF4y2Ba
原始光谱gydF4y2Ba 19gydF4y2Ba 1gydF4y2Ba 18gydF4y2Ba 2gydF4y2Ba 92.5gydF4y2Ba 90.5gydF4y2Ba 95.0gydF4y2Ba
水疗中心gydF4y2Ba 17gydF4y2Ba 3gydF4y2Ba 17gydF4y2Ba 3gydF4y2Ba 85.0gydF4y2Ba 85.0gydF4y2Ba 85.0gydF4y2Ba
汽车gydF4y2Ba 17gydF4y2Ba 3gydF4y2Ba 19gydF4y2Ba 1gydF4y2Ba 90.0gydF4y2Ba 94.4gydF4y2Ba 85.0gydF4y2Ba
救援gydF4y2Ba 18gydF4y2Ba 2gydF4y2Ba 19gydF4y2Ba 1gydF4y2Ba 92.5gydF4y2Ba 94.7gydF4y2Ba 90.0gydF4y2Ba
积分法gydF4y2Ba 20.gydF4y2Ba 0gydF4y2Ba 19gydF4y2Ba 1gydF4y2Ba 97.5gydF4y2Ba 95.2gydF4y2Ba 100.0gydF4y2Ba

获得的精度、精度和召回率,根据方程(gydF4y2Ba 2gydF4y2Ba),也列在表中gydF4y2Ba 3gydF4y2Ba。使用所有波长子集,ELM-based分类器可以识别精度高的瘀伤。准确性、精度和召回率都超过85%。从表gydF4y2Ba 3gydF4y2Ba,可以看出,该框架通常表现得比只使用单一波长选择方法。这表现出的力量我们的方法。gydF4y2Ba

 5。结论gydF4y2Ba

在这项工作中,基于部件级的波长选择方法集成了。水疗中心、汽车和救援的光谱应用于梨,紧随其后的是一个级的集成框架可以充分利用互补波长选择的不同的方法。结合ELM-based分类器、高检测性能的瘀伤梨。检出率为97.5%,准确性为95.2%,召回率为100.0%,优于三个单独的选择方法的结果。总之,这个方法是可行的,可能为未来的研究提供一个参考擦伤检测在库尔勒香梨。然而,方法的能力只是验证了实验结果。进一步的努力想要从数学的角度,针对解释框架理论和找到一个有效的方法来提高性能。此外,更多的梨具有不同大小和形状应该测试正确地确定该方法的识别能力。gydF4y2Ba

 数据可用性gydF4y2Ba

高光谱图像用于支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这部分工作是由中国国家自然科学基金(批准号51565052)和重点实验室开放研究基金的现代农业工程,塔里木大学(批准号TDNG20170301)。这也是部分由浙江省博士后科学基金的资助,中国(批准号ZJ20180156)。gydF4y2Ba

 周gydF4y2Ba Y。gydF4y2Ba 毛gydF4y2Ba J。gydF4y2Ba 吴gydF4y2Ba D。gydF4y2Ba 无损检测早期梨水果用光学相干断层扫描的瘀伤gydF4y2Ba 园艺科学与技术gydF4y2Ba 2019年gydF4y2Ba 37gydF4y2Ba 1gydF4y2Ba 140年gydF4y2Ba 150年gydF4y2Ba 10.12972 / kjhst.20190013gydF4y2Ba OparagydF4y2Ba 美国L。gydF4y2Ba PatharegydF4y2Ba p . B。gydF4y2Ba 瘀伤损伤测量和分析新鲜的园艺生产审查gydF4y2Ba 采后生物学和技术gydF4y2Ba 2014年gydF4y2Ba 91年gydF4y2Ba 9gydF4y2Ba 24gydF4y2Ba 10.1016 / j.postharvbio.2013.12.009gydF4y2Ba 2 - s2.0 - 84892498578gydF4y2Ba 张gydF4y2Ba M。gydF4y2Ba 李gydF4y2Ba G。gydF4y2Ba 视觉检测苹果的瘀伤使用学习演算法和高光谱成像gydF4y2Ba 国际期刊的食物属性gydF4y2Ba 2018年gydF4y2Ba 21gydF4y2Ba 1gydF4y2Ba 1598年gydF4y2Ba 1607年gydF4y2Ba 10.1080 / 10942912.2018.1503299gydF4y2Ba 2 - s2.0 - 85055567128gydF4y2Ba 李gydF4y2Ba J。gydF4y2Ba 程ydF4y2Ba lgydF4y2Ba 黄gydF4y2Ba W。gydF4y2Ba 检测早期的瘀伤桃子(gydF4y2Ba 菊花persica L。gydF4y2Ba使用高光谱成像技术)加上改进的分水岭分割算法gydF4y2Ba 采后生物学和技术gydF4y2Ba 2018年gydF4y2Ba 135年gydF4y2Ba 104年gydF4y2Ba 113年gydF4y2Ba 10.1016 / j.postharvbio.2017.09.007gydF4y2Ba 2 - s2.0 - 85029723295gydF4y2Ba 方ydF4y2Ba 年代。gydF4y2Ba 李gydF4y2Ba C。gydF4y2Ba 黄gydF4y2Ba W。gydF4y2Ba 程ydF4y2Ba lgydF4y2Ba 数据融合与互补两个光谱成像系统光谱传感范围为蓝莓擦伤检测gydF4y2Ba 传感器gydF4y2Ba 2018年gydF4y2Ba 18gydF4y2Ba 12gydF4y2Ba 4463年gydF4y2Ba 10.3390 / s18124463gydF4y2Ba 2 - s2.0 - 85058864905gydF4y2Ba 陆gydF4y2Ba Q。gydF4y2Ba 唐gydF4y2Ba M。gydF4y2Ba 检测隐藏的瘀伤使用高光谱成像技术在猕猴桃和平行六面体分类gydF4y2Ba Procedia环境科学gydF4y2Ba 2012年gydF4y2Ba 12gydF4y2Ba 1172年gydF4y2Ba 1179年gydF4y2Ba 10.1016 / j.proenv.2012.01.404gydF4y2Ba 赵gydF4y2Ba J。gydF4y2Ba SugirbaygydF4y2Ba 一个。gydF4y2Ba 程ydF4y2Ba Y。gydF4y2Ba 有限元显式动力学仿真和近红外高光谱反射成像测定影响的瘀伤gydF4y2Ba 枸杞gydF4y2BalgydF4y2Ba 采后生物学和技术gydF4y2Ba 2019年gydF4y2Ba 155年gydF4y2Ba 102年gydF4y2Ba 110年gydF4y2Ba 10.1016 / j.postharvbio.2019.05.024gydF4y2Ba 刘gydF4y2Ba D。gydF4y2Ba 太阳gydF4y2Ba D.-W。gydF4y2Ba 曾gydF4y2Ba X.-A。gydF4y2Ba 最近的进步波长选择高光谱图像处理技术在食品工业中gydF4y2Ba 食品和生物处理技术gydF4y2Ba 2014年gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 307年gydF4y2Ba 323年gydF4y2Ba 10.1007 / s11947 - 013 - 1193 - 6gydF4y2Ba 2 - s2.0 - 84923122811gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 彭gydF4y2Ba J。gydF4y2Ba 谢gydF4y2Ba C。gydF4y2Ba 保gydF4y2Ba Y。gydF4y2Ba 他gydF4y2Ba Y。gydF4y2Ba 水果质量评价利用光谱技术:一个回顾gydF4y2Ba 传感器gydF4y2Ba 2015年gydF4y2Ba 15gydF4y2Ba 5gydF4y2Ba 11889年gydF4y2Ba 11927年gydF4y2Ba 10.3390 / s150511889gydF4y2Ba 2 - s2.0 - 84930679964gydF4y2Ba AzadbakhtgydF4y2Ba M。gydF4y2Ba Vahedi TorshizigydF4y2Ba M。gydF4y2Ba MahmoodigydF4y2Ba m·J。gydF4y2Ba 梨体积的瘀伤体积的关系通过CT扫描成像gydF4y2Ba 食品杂志》的测量和表征gydF4y2Ba 2019年gydF4y2Ba 13gydF4y2Ba 2gydF4y2Ba 1089年gydF4y2Ba 1099年gydF4y2Ba 10.1007 / s11694 - 018 - 00024 - 0gydF4y2Ba 脂肪酶gydF4y2Ba T。gydF4y2Ba SzotgydF4y2Ba 我。gydF4y2Ba DobrzańskigydF4y2Ba B。gydF4y2Ba KapłangydF4y2Ba M。gydF4y2Ba BaryłagydF4y2Ba P。gydF4y2Ba 易感性的梨擦伤后收获和储存gydF4y2Ba Acta AgrophysicagydF4y2Ba 2019年gydF4y2Ba 25gydF4y2Ba 4gydF4y2Ba 485年gydF4y2Ba 499年gydF4y2Ba 10.31545 / aagr / 102717gydF4y2Ba 见鬼gydF4y2Ba H。gydF4y2Ba 金gydF4y2Ba 我。gydF4y2Ba 赵gydF4y2Ba B。gydF4y2Ba 使用高光谱图像检测的瘀伤损伤梨gydF4y2Ba 12日学报》国际会议控制、自动化和系统gydF4y2Ba 2012年10月gydF4y2Ba 济州岛,韩国gydF4y2Ba 1258年gydF4y2Ba 1260年gydF4y2Ba https://ieeexplore.ieee.org/abstract/document/6393325gydF4y2Ba 李gydF4y2Ba W.-H。gydF4y2Ba 金gydF4y2Ba m . S。gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 高光谱近红外成像探测的物理损害的梨gydF4y2Ba 《食品工程gydF4y2Ba 2014年gydF4y2Ba 130年gydF4y2Ba 1gydF4y2Ba 7gydF4y2Ba 10.1016 / j.jfoodeng.2013.12.032gydF4y2Ba 2 - s2.0 - 84893465569gydF4y2Ba 赵gydF4y2Ba J。gydF4y2Ba 欧阳gydF4y2Ba Q。gydF4y2Ba 程ydF4y2Ba Q。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 检测上青梨的高光谱影像传感器与不同的分类算法gydF4y2Ba 传感器信gydF4y2Ba 2010年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 570年gydF4y2Ba 576年gydF4y2Ba 10.1166 / sl.2010.1313gydF4y2Ba 2 - s2.0 - 77955682511gydF4y2Ba 江gydF4y2Ba H。gydF4y2Ba 张gydF4y2Ba C。gydF4y2Ba 他gydF4y2Ba Y。gydF4y2Ba 程ydF4y2Ba X。gydF4y2Ba 刘gydF4y2Ba F。gydF4y2Ba 刘gydF4y2Ba Y。gydF4y2Ba 波长选择的轻微擦伤检测梨基于高光谱成像技术gydF4y2Ba 应用科学gydF4y2Ba 2016年gydF4y2Ba 6gydF4y2Ba 12gydF4y2Ba 450年gydF4y2Ba 10.3390 / app6120450gydF4y2Ba 2 - s2.0 - 85007424249gydF4y2Ba NakariyakulgydF4y2Ba 年代。gydF4y2Ba CasasentgydF4y2Ba d . P。gydF4y2Ba 快速特征选择算法对家禽的皮肤肿瘤检测的高光谱数据gydF4y2Ba 《食品工程gydF4y2Ba 2009年gydF4y2Ba 94年gydF4y2Ba 3 - 4gydF4y2Ba 358年gydF4y2Ba 365年gydF4y2Ba 10.1016 / j.jfoodeng.2009.04.001gydF4y2Ba 2 - s2.0 - 67349228179gydF4y2Ba 蔡gydF4y2Ba W。gydF4y2Ba 李gydF4y2Ba Y。gydF4y2Ba 邵gydF4y2Ba X。gydF4y2Ba 基于不提供信息的变量的变量选择方法消除近红外光谱的多元校正gydF4y2Ba 化学计量学和智能实验室系统gydF4y2Ba 2008年gydF4y2Ba 90年gydF4y2Ba 2gydF4y2Ba 188年gydF4y2Ba 194年gydF4y2Ba 10.1016 / j.chemolab.2007.10.001gydF4y2Ba 2 - s2.0 - 38149087476gydF4y2Ba 太阳gydF4y2Ba Y。gydF4y2Ba 顾gydF4y2Ba X。gydF4y2Ba 太阳gydF4y2Ba K。gydF4y2Ba 高光谱反射成像技术结合化学计量学和连续投影算法冷害分类在桃子gydF4y2Ba 轻型gydF4y2Ba 2017年gydF4y2Ba 75年gydF4y2Ba 557年gydF4y2Ba 564年gydF4y2Ba 10.1016 / j.lwt.2016.10.006gydF4y2Ba 2 - s2.0 - 84991487905gydF4y2Ba AraujogydF4y2Ba m . c U。gydF4y2Ba 沙尔丹哈gydF4y2Ba t·c·B。gydF4y2Ba GalvaogydF4y2Ba r·k·H。gydF4y2Ba YoneyamagydF4y2Ba T。gydF4y2Ba ChamegydF4y2Ba h . C。gydF4y2Ba VisanigydF4y2Ba V。gydF4y2Ba 连续投影算法在光谱变量选择多组分分析gydF4y2Ba 化学计量学和智能实验室系统gydF4y2Ba 2001年gydF4y2Ba 57gydF4y2Ba 2gydF4y2Ba 65年gydF4y2Ba 73年gydF4y2Ba 10.1016 / s0169 - 7439 (01) 00119 - 8gydF4y2Ba 2 - s2.0 - 0035948747gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 梁gydF4y2Ba Y。gydF4y2Ba 徐gydF4y2Ba Q。gydF4y2Ba 曹gydF4y2Ba D。gydF4y2Ba 关键波长筛选使用竞争多元校正自适应再加权抽样方法gydF4y2Ba 分析Chimica学报gydF4y2Ba 2009年gydF4y2Ba 648年gydF4y2Ba 1gydF4y2Ba 77年gydF4y2Ba 84年gydF4y2Ba 10.1016 / j.aca.2009.06.046gydF4y2Ba 2 - s2.0 - 67650369751gydF4y2Ba 胡gydF4y2Ba M。gydF4y2Ba 翟gydF4y2Ba G。gydF4y2Ba 赵gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba Z。gydF4y2Ba 使用选择策略的光谱和样本空间分类软硬蓝莓使用近红外数据gydF4y2Ba 科学报告gydF4y2Ba 2018年gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 6671年gydF4y2Ba 10.1038 / s41598 - 018 - 25055 - xgydF4y2Ba 2 - s2.0 - 85046289584gydF4y2Ba NagasubramaniangydF4y2Ba K。gydF4y2Ba 琼斯gydF4y2Ba 年代。gydF4y2Ba SarkargydF4y2Ba 年代。gydF4y2Ba 辛格gydF4y2Ba 答:K。gydF4y2Ba 辛格gydF4y2Ba 一个。gydF4y2Ba GanapathysubramaniangydF4y2Ba B。gydF4y2Ba 高光谱波段选择使用遗传算法和支持向量机对木炭在大豆茎腐病的早期识别gydF4y2Ba 工厂方法gydF4y2Ba 2018年gydF4y2Ba 14gydF4y2Ba 1gydF4y2Ba 86年gydF4y2Ba 10.1186 / s13007 - 018 - 0349 - 9gydF4y2Ba 2 - s2.0 - 85054415400gydF4y2Ba PasquinigydF4y2Ba C。gydF4y2Ba 近红外光谱法:一个成熟的分析技术与新perspectives-a审查gydF4y2Ba 分析Chimica学报gydF4y2Ba 2018年gydF4y2Ba 1026年gydF4y2Ba 8gydF4y2Ba 36gydF4y2Ba 10.1016 / j.aca.2018.04.004gydF4y2Ba 2 - s2.0 - 85046156186gydF4y2Ba 云gydF4y2Ba 中州。gydF4y2Ba 李gydF4y2Ba 》。gydF4y2Ba 邓gydF4y2Ba 在公元前。gydF4y2Ba 曹gydF4y2Ba D.-S。gydF4y2Ba 变量选择方法的概述近红外光谱的多变量分析gydF4y2Ba TrAC分析化学的趋势gydF4y2Ba 2019年gydF4y2Ba 113年gydF4y2Ba 102年gydF4y2Ba 115年gydF4y2Ba 10.1016 / j.trac.2019.01.018gydF4y2Ba 2 - s2.0 - 85061548144gydF4y2Ba 戴gydF4y2Ba Q。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 太阳gydF4y2Ba D。gydF4y2Ba 先进的高光谱图像处理的特征选择方法在食品工业应用程序:一个回顾gydF4y2Ba 食品科学与营养的关键评论gydF4y2Ba 2015年gydF4y2Ba 55gydF4y2Ba 10gydF4y2Ba 1368年gydF4y2Ba 1382年gydF4y2Ba 10.1080 / 10408398.2013.871692gydF4y2Ba 2 - s2.0 - 84983678491gydF4y2Ba 云gydF4y2Ba 中州。gydF4y2Ba 本gydF4y2Ba J。gydF4y2Ba 刘gydF4y2Ba D.-L。gydF4y2Ba 混合变量选择策略基于连续变量空间的收缩在多元校正gydF4y2Ba 分析Chimica学报gydF4y2Ba 2019年gydF4y2Ba 1058年gydF4y2Ba 58gydF4y2Ba 69年gydF4y2Ba 10.1016 / j.aca.2019.01.022gydF4y2Ba 2 - s2.0 - 85060514618gydF4y2Ba 程ydF4y2Ba H。gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 贾gydF4y2Ba Z。gydF4y2Ba 刘gydF4y2Ba Z。gydF4y2Ba 史gydF4y2Ba K。gydF4y2Ba 蔡gydF4y2Ba K。gydF4y2Ba 组合策略的随机森林和反向传播网络变量选择光谱校准gydF4y2Ba 化学计量学和智能实验室系统gydF4y2Ba 2018年gydF4y2Ba 182年gydF4y2Ba 101年gydF4y2Ba 108年gydF4y2Ba 10.1016 / j.chemolab.2018.09.002gydF4y2Ba 2 - s2.0 - 85054624876gydF4y2Ba 张gydF4y2Ba M。gydF4y2Ba 李gydF4y2Ba G。gydF4y2Ba 检测方法基于高光谱图像的轻微淤青苹果和RELIEF-extreme学习机器gydF4y2Ba 浙江大学学报(农业与生命科学版)gydF4y2Ba 2019年gydF4y2Ba 45gydF4y2Ba 1gydF4y2Ba 126年gydF4y2Ba 134年gydF4y2Ba 在中国gydF4y2Ba 10.3785 / j.iss_n.1008-9209.2017.09.043gydF4y2Ba MangaigydF4y2Ba U。gydF4y2Ba SamantagydF4y2Ba 年代。gydF4y2Ba 达斯gydF4y2Ba 年代。gydF4y2Ba ChowdhurygydF4y2Ba P。gydF4y2Ba 的调查决定融合和特征融合策略进行模式分类gydF4y2Ba IETE技术评审gydF4y2Ba 2010年gydF4y2Ba 27gydF4y2Ba 4gydF4y2Ba 293年gydF4y2Ba 307年gydF4y2Ba 10.4103 / 0256 - 4602.64604gydF4y2Ba 2 - s2.0 - 77954234443gydF4y2Ba 王gydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba D。gydF4y2Ba 聚氨酯gydF4y2Ba H。gydF4y2Ba 太阳gydF4y2Ba D.-W。gydF4y2Ba 高gydF4y2Ba W。gydF4y2Ba 熊gydF4y2Ba Z。gydF4y2Ba 使用高光谱成像技术来区分大米的种类和质量gydF4y2Ba 食品分析方法gydF4y2Ba 2015年gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 515年gydF4y2Ba 523年gydF4y2Ba 10.1007 / s12161 - 014 - 9916 - 5gydF4y2Ba 2 - s2.0 - 84920705960gydF4y2Ba PaivagydF4y2Ba h . M。gydF4y2Ba 苏亚雷斯gydF4y2Ba s . f . C。gydF4y2Ba GalvaogydF4y2Ba r·k·H。gydF4y2Ba AraujogydF4y2Ba m . c U。gydF4y2Ba 一个图形用户界面连续变量选择采用预测算法gydF4y2Ba 化学计量学和智能实验室系统gydF4y2Ba 2012年gydF4y2Ba 118年gydF4y2Ba 260年gydF4y2Ba 266年gydF4y2Ba 10.1016 / j.chemolab.2012.05.014gydF4y2Ba 2 - s2.0 - 84868194589gydF4y2Ba 李gydF4y2Ba H。gydF4y2Ba 徐gydF4y2Ba Q。gydF4y2Ba 梁gydF4y2Ba Y。gydF4y2Ba 一个集成库偏最小二乘回归和线性判别分析gydF4y2Ba 化学计量学和智能实验室系统gydF4y2Ba 2018年gydF4y2Ba 176年gydF4y2Ba 34gydF4y2Ba 43gydF4y2Ba 10.1016 / j.chemolab.2018.03.003gydF4y2Ba 2 - s2.0 - 85045933063gydF4y2Ba UrbanowiczgydF4y2Ba r . J。gydF4y2Ba 米克gydF4y2Ba M。gydF4y2Ba La静脉gydF4y2Ba W。gydF4y2Ba 奥尔森gydF4y2Ba r S。gydF4y2Ba 摩尔gydF4y2Ba j . H。gydF4y2Ba Relief-based特征选择:介绍和评论gydF4y2Ba 生物医学信息学杂志gydF4y2Ba 2018年gydF4y2Ba 85年gydF4y2Ba 189年gydF4y2Ba 203年gydF4y2Ba 10.1016 / j.jbi.2018.07.014gydF4y2Ba 2 - s2.0 - 85051642613gydF4y2Ba 基拉gydF4y2Ba K。gydF4y2Ba 伦德尔gydF4y2Ba lgydF4y2Ba 特征选择的问题:传统的方法和一种新的算法gydF4y2Ba 第十届国家关于人工智能的会议gydF4y2Ba 1992年7月gydF4y2Ba 美国加利福尼亚州圣何塞gydF4y2Ba 129年gydF4y2Ba 134年gydF4y2Ba 黄gydF4y2Ba G.-B。gydF4y2Ba 朱gydF4y2Ba 徐瑞秋gydF4y2Ba 萧gydF4y2Ba C.-K。gydF4y2Ba 极端的学习机器:理论和应用程序gydF4y2Ba NeurocomputinggydF4y2Ba 2006年gydF4y2Ba 70年gydF4y2Ba 1 - 3gydF4y2Ba 489年gydF4y2Ba 501年gydF4y2Ba 10.1016 / j.neucom.2005.12.126gydF4y2Ba 2 - s2.0 - 33745903481gydF4y2Ba SammutgydF4y2Ba C。gydF4y2Ba 韦伯gydF4y2Ba G。gydF4y2Ba 机器学习的百科全书gydF4y2Ba 2010年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 施普林格gydF4y2Ba