基于NIRS和改进的基于WOA的特征波长选择组合的小米的非破坏性原产地识别
1College of Information and Electrical Engineering, Heilongjiang Bayi Agricultural University, Daqing 163319, China. yaya588588@163.com.
Analytical methods : advancing methods and applications
|August 12, 2025
概括
近红外光谱学与优化的算法相结合,可以准确地识别小米原产地. 综合的鱼优化算法 (IWOA) 和皇冠猪优化-最小平方支持矢量机 (CPO-LSSVM) 模型实现了99.03%的准确性,用于精确的农产品可追溯性.
科学领域:
- 农业科学 农业科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 农产品原产地的非破坏性识别对于可追溯性至关重要.
- 近红外光谱 (NIR) 为分析农产品提供了一种非破坏性的方法.
- 高维的光谱数据往往会带来诸如冗余和峰值重叠等挑战.
研究的目的:
- 开发一种可靠的方法,用于非破坏性识别小米原产地.
- 为了提高特征提取和模型准确性,用于光谱数据分析.
- 建立一个精确的可追溯系统来确定小米的来源.
主要方法:
- 采用近红外光谱 (NIR) 来收集小米的光谱数据.
- 使用竞争性自适应重权取样 (CARS),非信息变量消除 (UVE) 和鱼优化算法 (WOA) 进行了特征波长选择.
- 开发了一种改进的鱼优化算法 (IWOA) 与混乱映射以及皇冠猪优化-最小平方支持向量机器 (CPO-LSSVM) 模型.
主要成果:
- 与全频谱模型相比,特征选择显著提高了识别性能.
- IWOA的特征选择将变量减少到27,从而提高了模型的效率.
- CPO-LSSVM模型实现了高精度99.03%,精度,回忆和F1得分达到99.20%.
结论:
- IWOA算法有效地选择最佳波长,并提高模型性能.
- CPO-LSSVM模型提供了快速而准确的小米原产地识别.
- 这种方法为其他农产品的原产地识别提供了一个新的参考.
