1 广东省特种设备检测研究院顺德检测院，广东 佛山 528300
2 华南理工大学电力学院，广东 广州 510640
耐热钢微观组织及机械性能会随着服役过程发生退化，对老化状态的实时快速监测对安全运行及生产具有重要意义。基于便携式激光诱导击穿光谱（LIBS）设备对获取的T91光谱特征进行降维并优化了老化等级评估模型，实现了对T91耐热钢老化等级的快速诊断。分别采用主成分分析与线性判别式分析（LDA）的降维方法，对光谱特征进行优化精简。而后基于降维后的数据，进一步采用K最近邻算法和支持向量机（SVM）算法来建立金属老化等级评估模型，讨论了建模关键参数选择对模型性能的影响。结果表明，经过LDA降维的光谱数据能实现更好的聚类分布，可有效提高评估模型的准确率。同时，应用LDA-SVM模型能获得最高的老化等级评估准确度，达94.58%。所采用的模型建模方法可有效实现基于便携式LIBS的T91耐热钢老化等级评估。
光谱学 激光诱导击穿光谱 金属老化等级评估 光谱特征降维 K最近邻算法 支持向量机 激光与光电子学进展
2024, 61(5): 0530003
乳腺癌是世界上对于女性非常危险的疾病, 其患病率逐年增长, 是世界妇女死亡的主要原因。 在大样本情况下, 乳腺癌临床诊断受优质医疗资源相对短缺的限制, 诊断周期长、 检测费用高。 因此, 高效、 准确、 性价比高的乳腺癌诊断方法具有广阔的应用前景, 为临床诊断迫切需求。 荧光光谱检测是一种可以表征细胞中物理和化学综合变化的方法, 可用于表征正常和癌变细胞的特征。 机器学习擅长从大量数据中挖掘有用信息, 是进行分类和预测的有效手段。 以往机器学习多使用包含部分生化信息的数据库训练模型, 易导致信息缺失。 荧光光谱是细胞多种物质的叠加光谱, 使用荧光光谱特征峰诊断乳腺癌存在量化不确定性问题。 因此, 提出了机器学习结合乳腺癌样本荧光光谱的诊断方法。 使用405 nm波长的激光, 采集了正常和癌变乳腺组织(已做出病理诊断)的荧光光谱数据, 以此作为数据集, 比较了K-近邻(KNN)、 支持向量机(SVM)、 随机森林(RF)三种算法对正常和癌变乳腺组织荧光光谱的分类能力。 判别结果显示: 与SVM算法相比, KNN和RF算法的准确率更高、 平衡召回率和精度的能力更强, 对乳腺癌荧光光谱的分类能力更好, 其准确性、 召回率、 精度以及F1-score函数结果均在95%之上, 更利于乳腺癌的诊断。 进而探讨了权重KNN(WKNN)算法对正常和癌变乳腺组织荧光光谱的分类能力。 WKNN较KNN算法的分类评估结果有小幅度提升, 且具有更好的抗噪和适应能力, 算法简单。 综上所述, 本文提出的机器学习结合荧光光谱的乳腺癌诊断方法, 精度高、 速度快、 性价比高, 是未来乳腺癌诊断方法的发展方向, 具有重要的临床应用价值。
荧光光谱 乳腺癌 机器学习 Fluorescence spectrum Breast cancer Machine learning K-nearest Neighbor KNN 光谱学与光谱分析
2023, 43(8): 2407
1 金陵科技学院计算机工程学院, 江苏 南京 211169
2 浙江大学台州研究院, 浙江 台州 317700
3 滁州职业技术学院信息工程学院, 安徽 滁州 239000
不同品种茶叶因其所含的有机化学成分不同, 其效果也会有差别。 所以, 寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。 近红外光谱(NIR)分析是一种无损检测技术, 能很好的鉴别茶叶品种。 使用NIR光谱仪采集茶叶的NIR数据。 为了对包含噪声信号的茶叶近红外光谱进行准确鉴别, 提出了一种模糊线性判别QR分析的新方法, 可以对茶叶近红外光谱进行准确分类。 通过使用模糊线性判别分析（FLDA）将由主成分分析（PCA）压缩的茶叶近红外光谱数据进行降维, 由模糊线性判别分析得出的特征向量构建鉴别向量矩阵, 对鉴别向量矩阵进行矩阵的QR分解, 得到新的鉴别向量矩阵。 经过模糊线性判别QR分析后使用K近邻算法进行分类, 具有准确率高等优点。 以岳西翠兰、 六安瓜片、 施集毛峰和黄山毛峰四种茶叶为研究样本, 每类65个, 茶叶样本总数为260个。 采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理, 采用多元散射校正, 由于采集到的茶叶光谱数据存在散射干扰。 以此得到的近红外光谱数据的维数为1557维, 通过主成分分析压缩数据集的维数, 使得光谱数据集的维数达到7维。 经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取, 使得光谱数据的维数降低到3维。 利用K近邻算法对茶叶样本进行分类, 实现对茶叶品种的准确分类。 最后进行三种算法分析结果的比较, 分别是主成分分析结合K近邻算法、 主成分分析和线性判别分析结合K近邻算法、 主成分分析和模糊线性判别QR分析结合K近邻算法。 在权重指数m=2, K=1条件下, 最后的分类准确率分别为83.89%, 87.78%和98.33%。 实验结果显示: 模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析, 其展现出来的效果比主成分分析和线性判别分析表现的效果更好。
模糊线性判别分析 主成分分析 近红外光谱 K近邻算法 Fuzzy linear discriminant analysis Principal component analysis Near-infrared spectroscopy K-nearest neighbor algorithm 光谱学与光谱分析
2023, 43(12): 3802
1 上海科技大学上海 201210
2 中国科学院上海应用物理研究所上海 201800
3 中国科学院大学北京 100049
熔盐堆作为第四代先进核能系统之一，在安全性、经济性、防核扩散和可持续性等方面具有独特的优势。为了保障熔盐堆运行安全，需要快速、准确地识别瞬态工况，目前的瞬态识别方法主要依赖于操作员人工识别，这会引入较大的人为因素，严重影响核电安全。为了减少熔盐堆系统瞬态识别过程中引入的人为因素，提高熔盐堆运行安全，使用RELAP5-TMSR程序对美国橡树岭国家实验室建造运行的熔盐实验堆（Molten Salt Reactor Experiment，MSRE）的瞬态工况进行建模与仿真，产生数据集，基于K近邻（K-Nearest Neighbor，KNN）机器学习方法，建立了熔盐堆系统瞬态识别模型，并对识别模型在噪声下的鲁棒性进行了分析和优化。结果显示：基于KNN方法建立的熔盐堆系统瞬态识别模型在测试集上的F1分数达到99.99%；在噪声下的识别F1分数达到94.32%，具有较高的鲁棒性；进一步优化后的熔盐堆系统瞬态识别模型在噪声下的F1分数达到99.73%，能较为准确地识别MSRE的瞬态工况，满足熔盐堆系统瞬态识别需求。基于KNN方法的熔盐堆系统瞬态识别模型能够有效识别系统瞬态工况，可应用于熔盐堆智能运维，确保熔盐堆运行安全。
熔盐堆 K近邻 系统瞬态识别 鲁棒性 Molten salt reactor K-nearest neighbor System transient identification Robustness
山西工商学院计算机信息工程学院, 太原 030006
将机器学习中的特征选择方法和分类算法融入古代玻璃制品成分分析和类别鉴定问题研究, 以准确率和AUC作为分类性能度量指标, 尝试构造古代玻璃制品化学成分选择的集成特征选择模型和鉴定分类的随机森林模型。对不同特征选择方法的结果进行集成, 选择重要的化学成分,对选出的重要特征结合随机森林模型、k近邻学习和Naive Bayes模型等方法进行实验分析。结果表明, 采用集成特征选择分析出氧化铅、氧化钡、氧化钾等成分对玻璃表面风化影响比较显著, 且高钾玻璃中这3种成分两两关联很大, 对选出的重要特征应用基于k折交叉验证的随机森林模型进行分类得到的准确率较高, 模型稳定性强。该方法可以为我国古代玻璃制品的成分分析和类别鉴定提供理论参考, 对其它玻璃的相似研究也有一定程度的借鉴意义。
机器学习 随机森林 k近邻学习 分类算法 machine learning random forest k-nearest neighbor classification algorithm
1 天津大学精密仪器与光电子工程学院, 激光与光电子研究所, 天津 300072
2 天津大学光电信息技术教育部重点实验室, 天津 300072
3 陆军军医大学西南医院神经外科, 重庆 400038
4 电子测试技术重点实验室, 山东 青岛 266555
脑缺血是一种常见的突发性脑外科疾病, 具有较高的致死致残率, 快速、 准确对脑缺血程度进行检测对脑缺血的诊断与治疗工作具有重要意义。 基于衰减全反射式太赫兹时域光谱技术, 分别对脑缺血时间为0, 0.5, 1, 2, 4, 6和24 h的大鼠脑脊液和血清进行光谱检测, 并对不同缺血时间的大鼠脑脊液和血清的吸收系数和折射率随缺血时间的变化规律进行分析。 结果表明, 与对照组相比, 不同缺血时间的大鼠脑脊液和血清的吸收系数和折射率均存在一定的差异。 在此基础上, 根据不同缺血时间的大鼠脑脊液和血清的吸收系数, 采用主成分分析法和机器学习算法对大鼠的脑缺血程度进行自动分类识别。 其中, 基于脑脊液吸收系数的支持向量机分类模型的识别准确率相对较高, 达到了89.3％。 该方法为脑缺血的早期诊断提供一种新的检测方法。
太赫兹时域光谱 脑缺血 光谱识别 k-最近邻 支持向量机 Terahertz spectroscopy Cerebral ischemia Spectrum recognition k-Nearest Neighbor Support vector machine
为进一步提高大规模多种类三维点云分类的准确率，提出一种局部区域建立K近邻点关系的卷积神经网络，其关键是从点与点的关系中进行学习。在采样组采样后，对点云模型进行建图，从点与点之间的关系以及中心点的特征进行更深一步的关系学习，从而进行点云的分类工作。由于是从局部的特征整合到整体，使得该方法对形状感知敏感并具有鲁棒性。最终的试验结果表明，该算法在公开数据集ModelNet40上的准确率达到92.5%。与现有的三维点云分类算法相比，其能够更有效地整合局部特征和全局特征，从而能进一步提高三维点云模型分类的准确性。
机器视觉 点云分类 深习 点球模型 K最近邻 machine vision point cloud classification deep learning penalty kick model K-nearest neighbor
1 滁州职业技术学院信息工程学院, 安徽 滁州 239000
2 江苏大学卓越学院, 江苏 镇江 212013
3 江苏大学电气信息工程学院, 江苏 镇江 212013
贮存时间是影响生菜品质的一项重要因素, 传统的贮存时间鉴别方法主要依靠人工经验, 但是这种方法的准确率和可信度并不高。 研究的目标是建立一种基于模糊识别的模型进行生菜光谱分析以实现生菜贮存时间的鉴别, 并与其他鉴别方法作比较。 为此, 在当地超市购买60份新鲜生菜样品, 存放于冰箱中待用。 首先, 通过Antaris Ⅱ近红外光谱检测仪采集生菜样品的近红外光谱数据, 每隔12小时检测一次, 每个样本检测重复三次, 并取三次平均值作为实验数据。 其次, 利用多元散射校正(MSC)减少近红外光谱中的冗余信息。 为了进一步去除近红外光谱中的无用信息以及简化随后的数据分类过程, 分别运用主成分分析(PCA)和排序主成分分析 (PCA Sort)。 其中, PCA Sort通过改进对主成分的排序方法能提高分类准确率, 同时便于模糊线性鉴别分析(FLDA)进一步提取特征。 PCA和PCA Sort的计算仅运用了前15个主成分(能充分反映光谱的主要信息)。 最后, 利用模糊线性鉴别分析算法(FLDA)和K近邻算法(KNN)进一步分类所得的低维数据。 基于PCA和KNN算法的模型鉴别准确率达到43%, 而基于PCA, FLDA和KNN算法的模型鉴别准确率可达83%。 上述结果说明基于PCA, FLDA和KNN算法的模型鉴别准确率已经得到较大程度提高。 当用PCA Sort替代了模型中的PCA算法后, 结合FLDA和KNN算法则鉴别准确率达到98.33%。 实验结果表明PCA Sort结合FLDA和KNN所建立的模型是有效的生菜贮存时间鉴别模型。
近红外光谱 主成分分析 生菜 模糊鉴别线性分析 K近邻算法 NIR spectra Principal component analysis Lettuce Fuzzy linear discriminant analysis K-nearest neighbor 光谱学与光谱分析
2022, 42(10): 3079
1 北京信息科技大学 光电测试技术及仪器教育部重点实验室，北京 100192
2 北京信息科技大学 光纤传感与系统北京实验室，北京 100016
针对调制光栅Y分支（Modulated Grating Y-branch，MG-Y）激光器难以实现特定波长稳定准连续调谐问题，提出一种基于K近邻模型的MG-Y激光器波长查找表构建方法。该方法基于K近邻模型，快速分类得到左、右光栅准连续调谐区域，依据MG-Y激光器相位调谐特性，采用牛顿非均匀插值方法实现了MG-Y激光器波长精细调谐。实验结果表明，按照该表控制激光器的输出光波长准确度为2 pm，稳定性为0.7 pm，F-P标准具解调波长稳定性为1.73 pm，FBG解调波长稳定性为1.75 pm，FBG解调波长相关系数R大于0.952 5。该方法可控制MG-Y激光器实现稳定的波长准连续调谐，满足光纤传感解调应用需求。
MG-Y激光器 波长控制 K近邻 查找表 连续调谐 MG-Y laser Wavelength control K nearest neighbor Look up table Continuous tuning
