1 郑州大学信息工程学院, 河南 郑州 450001
2 郑州市烟草专卖局, 河南 郑州 450006
提出利用聚类方法对光谱数据进行特征筛选。通过分析类内参数 γ1和类间参数γ2对筛选结果的影响, 选择较好的γ1和γ2进行有用光谱特征筛选。利用烤烟叶的近红外反射光谱(1500～2400 nm间隔 2 nm), 选用 SVM方法进行部位和颜色分组识别, 训练样本的识别率为 100%, 测试样本的识别率分别是 96.22%和 92.79%。然后利用聚类方法对初始光谱进行特征筛选, 选用相同的 SVM方法及相同的学习样本和测试样本进行部位和颜色分组识别。在删减部分不相干光谱后, 识别率分别提高到97.23%和 95.52%;继续删除相关度不高的光谱, 在识别率略有下降时, 光谱特征数可减少到 200个以下。结果表明: 利用聚类方法进行特征筛选, 不仅可提高识别率, 且可大大减少光谱数据, 因而极大地减少了数据采集时间, 简化了分组模型, 提高了系统的实时和快速处理能力。
近红外光谱 特征选择 烟叶分组 聚类 支持向量机 near-infrared spectrum feature select tobacco grouping cluster SVM
