1 贵州大学大数据与信息工程学院, 贵州 贵阳 550025
2 贵阳学院农产品无损检测工程研究中心, 贵州 贵阳 550005
番茄早疫病感染性强、 破坏性大, 潜育期症前特征的检测识别是番茄早疫病监测预警和科学防治的关键。 在实验室以离体番茄叶片作为研究对象, 利用高光谱图像监测番茄叶片早疫病的病程演变情况, 结合可见光图像和光谱特征进行数据分析。 实验发现, 番茄叶片感染早疫病后其近红外光谱平均值和红边反射率随着时间不断降低, 且在接种36 h时已出现潜育期病症信息。 选择接种36 h的光谱数据作为番茄早疫病潜育期的建模数据, 分别利用了主成分(PCA)变换、 多元散射校正(MSC)对建模数据进行光谱降维或降噪处理, 进而建立梯度提升决策树(GBDT)和支持向量机(SVM)识别模型, 并导入数据进行训练识别。 讨论了PCA和MSC的预处理方法对梯度提升决策树(GBDT)和支持向量机(SVM) 模型识别效果的影响; 进一步讨论常见核函数对SVM识别模型的影响, 优选出预处理方法和识别模型的组合算法。 结果发现, PCA-GBDT、 PCA-SVM(高斯核)、 PCA-SVM(线性核)、 MSC-GBDT、 MSC-SVM(多项式核)这几类组合算法准确率均为95%以上, 能很好的实现番茄早疫病潜育期的光谱识别; 其中MSC-GBDT的识别召回率和准确率最好, 而PCA-SVM(高斯核)识别效率最高。 研究表明, 通过降噪处理后的番茄早疫病潜育期高光谱数据减少了噪声、 更加符合真实的分布、 具有较大的可信数据量, 配合简单的识别模型会导致识别能力不足, 而配合复杂的识别模型可达到一个较可靠的测试结果; 通过降维算法能使番茄早疫病潜育期高光谱数据的维度降低、 数据量减少; 降维后的特征能够表达出病变信息, 配合简单识别模型时识别效果好, 而配合过于复杂的识别模型会导致识别模型的过拟合。
番茄早疫病 潜育期 高光谱成像 预处理 支持向量 梯度提升决策树 Tomato early blight Incubation period Hyperspectral imaging Pretreatment Support vector Gradient lifting decision tree
1 燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
2 河北先河环保科技股份有限公司, 河北 石家庄 050035
近年来频繁发生的褐潮污染给沿海地区经济带来巨大损失。准确、高效地识别褐潮藻对预防海洋环境污染意义重大。采用三维荧光光谱、梯度提升决策树(GBDT)和逻辑回归(LR)相结合的方法,实现了对褐潮藻的准确辨识。为解决LR模型对非线性数据的特征组合能力较弱的问题,引入GBDT算法,充分利用集成学习算法在处理非线性数据上的优势。将GBDT的预测结果作为新特征代替原来的特征输入LR模型,建立了一种将GBDT与LR相融合的褐潮藻辨识模型(GBDT-LR)。针对复杂海洋环境中其他门类藻的干扰,实验引入小球藻、细长聚球藻等5种不同门类的海藻作为对比,并对处于不同生长周期的褐潮藻辨识情况进行分析。相同条件下通过将所提模型与LR、支持向量机(SVM)和反向传播(BP)神经网络等模型进行对比。结果表明,GBDT-LR在分类准确率、召回率和F1分数等评价指标上均优于其他模型,处于指数生长期的藻类荧光光谱最为稳定,这一时期的褐潮藻辨识结果最好。
光谱学 三维荧光光谱 褐潮污染 特征提取 逻辑回归 梯度提升决策树 光学学报
2022, 42(12): 1230001
1 辽宁工程技术大学电子与信息工程学院，辽宁 葫芦岛 125105
2 辽宁工程技术大学研究生院，辽宁 葫芦岛 125105
针对室内定位中相邻定位点之间信道状态信息（CSI）指纹特征易模糊和定位算法鲁棒性低等问题，提出了一种基于局部线性嵌入（LLE）和梯度提升决策树（GBDT）的定位算法。离线阶段，首先将经过预处理的幅值和相位作为CSI联合指纹，然后再用LLE降维前用弹性网络（EN）对联合指纹的不同子载波进行加权，既保证了降维后CSI指纹的真实性又增强了其独有的特征，最后用基于果蝇优化算法（FOA）改进的GBDT算法训练降维后的数据以提高CSI指纹的可靠性和稳定性，并建立指纹库。在线阶段，将待测点的联合指纹代入LLE+GBDT算法训练出指纹信息，然后通过与指纹库匹配预测出待测点的物理位置。室内定位实验结果表明，所提算法相较于对比算法具有较高的定位精度和鲁棒性，具有一定的应用价值。
室内定位 信道状态信息 梯度提升决策树 局部线性嵌入 激光与光电子学进展
2022, 59(2): 0215008
1 北方工业大学信息学院，北京 100144
2 中国石油管道局工程有限公司国际事业部，河北 廊坊 065000
3 中国石油管道局工程有限公司亚太分公司，河北 廊坊 065000
光纤预警系统已被广泛应用于油气管道的入侵检测预警中，目前的技术难点仍是如何提高光纤入侵信号多分类识别的准确率。采用梯度提升决策树（GBDT）算法训练光纤入侵信号多分类模型，并提出了一种基于傅里叶分解方法（FDM）及GBDT算法的特征提取与识别算法。该算法采用FDM对光纤入侵信号进行预处理，提取信号的近似熵、能量和谱熵特征。采用GBDT算法训练模型并对光纤入侵信号进行识别分类。为了检验该算法的性能，分别用支持向量机和AdaBoost算法训练模型并进行对比实验。结果表明，该算法能有效识别敲击、小跑、过车和镐刨四类光纤入侵信号，平均准确率为92.5%。
光纤光学 光纤入侵信号 特征提取与识别 傅里叶分解 梯度提升决策树 激光与光电子学进展
2022, 59(23): 2306003
1 中国科学院上海技术物理研究所 红外探测与成像技术重点实验室, 上海 200083
2 中国科学院大学, 北京 100049
3 中国科学院上海技术物理研究所, 上海 200083
针对精细导星仪(Fine Guidance Sensor, FGS)姿态测量精度受星点提取系统误差影响的问题, 提出了一种基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)拟合法的高精度星点定位系统误差补偿方法。为了解决拟合样本少、输入特征差别大等问题, 采用对输入范围不敏感、易于训练的决策树作为基模型, 并根据当前模型拟合残差梯度, 结合集成学习中的提升方法生成新的基模型得到系统误差与探测器填充率、采样窗口尺寸、星斑束腰半径以及星点质心坐标计算值之间的函数关系, 以此函数关系为基础对星点质心坐标估计值进行系统误差校正。实验结果表明: 与支持向量回归机(Support Vector Regression, SVR)相比, 基于GBDT的高精度星点定位算法的误差减小了60.6%, 经该算法补偿后的质心误差为0.014 5 pixel, 相比于质心法误差减小了61.5%。
精细导星仪 系统误差 梯度提升决策树 星点定位 亚像素质心细分算法 fine guidance sensor systematic error gradient boosting decision tree star centroiding subpixel centroid subdivision algorithm 红外与激光工程
2019, 48(11): 1113005
