结合遗传算法与线性鉴别分析(LDA)提出了一种玉米品种的快速鉴别方法。 该方法是一种基于近红外光谱的新方法, 通过采集玉米种子(实验共37个种类)的近红外光谱数据, 使用遗传算法进行特征光谱波段的选择, 使用线性鉴别分析的方法提取光谱特征并分类。 结果表明, 遗传算法能有效地剔除光谱噪声波段, 并提高LDA的泛化能力。 同时, 为简化运算, 剔除了大量冗余数据, 结合遗传算法选择的特征谱区, 使参与鉴别的数据维数从2 075降到了233。 对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%, 其中73.33%的玉米品种的正确识别率达到了100%; 对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%。 与常用的PCA等方法相比, 运算时间更短, 正确率更高。

以玉米种子的4 000～12 000 cm-1波段的漫反射近红外光谱为研究对象, 提出了一种鉴别玉米品种的新方法. 采用主成分分析法(PCA)来研究数据特征, 发现近红外光谱在特征空间中具有显著的长条状分布特征, 为此我们研究了改变样本点在PCA空间中的分布对品种鉴别的影响, 并提出了归一化主成分分析(NPCA)的特征提取算法, 同时还根据近红外光谱的数据分布特点提出了一种主方向仿生模式识别的分类算法, 进一步提高了鉴别正确率. 鉴别模型对第一测试集的平均正确识别率达到了97.67%, 平均正确拒识率达到了98.40%, 30个品种中的13个达到了100%的正确识别率; 对第二测试集的平均正确拒识率达到了98.90%, 有11个品种达到了100%的正确拒识率, 具有较高的鉴别准确度.

提出了一种近红外光谱的频率选择方法用于玉米品种鉴别。 首先确定一种衡量特征鉴别能力的准则函数, 然后根据该准则函数逐步选出适合于分类的特征频率, 并通过去除各频率特征之间的相关性使得优选出的频率特征包含尽可能多的品种类间差异信息, 优先选择方差较大的频率特征以减弱噪声的影响。 实验结果表明, 频率选择大幅度地改善了识别效果, 仅使用30维频率特征即可达到94.16%的识别率。 随机模拟实验显示, 优选出的频率特征的识别效果对频率的小幅随机扰动不敏感, 验证了本方法的鲁棒性