高光譜數(shù)據(jù)特征波長(zhǎng)的提取及建模方法介紹
發(fā)布時(shí)間:2024-07-05
瀏覽次數(shù):228
高光譜成像儀?檢測(cè)到的光譜數(shù)據(jù)由數(shù)百個(gè)波段組成,光譜數(shù)據(jù)會(huì)顯得非常大且冗余,造成后期光譜數(shù)據(jù)處理分析時(shí)效率不高,精度不高,速度下降。因此,為了提升樣本信息分析的準(zhǔn)確性,就需要進(jìn)行光譜數(shù)據(jù)的提取,并進(jìn)行模型建設(shè)。本文對(duì)高光譜數(shù)據(jù)特征波長(zhǎng)的提取及建模方法做了介紹。
高光譜成像儀檢測(cè)到的光譜數(shù)據(jù)由數(shù)百個(gè)波段組成,光譜數(shù)據(jù)會(huì)顯得非常大且冗余,造成后期光譜數(shù)據(jù)處理分析時(shí)效率不高,精度不高,速度下降。因此,為了提升樣本信息分析的準(zhǔn)確性,就需要進(jìn)行光譜數(shù)據(jù)的提取,并進(jìn)行模型建設(shè)。本文對(duì)高光譜數(shù)據(jù)特征波長(zhǎng)的提取及建模方法做了介紹。
高光譜數(shù)據(jù)特征波長(zhǎng)的提取方法:
常用的特征波長(zhǎng)提取算法有遺傳算法(GA)、競(jìng)爭(zhēng)性自適應(yīng)重加杈算法(CARS)、無信息變量消除法(UME)、連續(xù)投影算法(SPA)、回歸系數(shù)法(RC)、Random frog等。高光譜數(shù)據(jù)分析中沒有標(biāo)準(zhǔn)的、唯一的方法選擇最佳波長(zhǎng)。
1.Random frog方法
基于可逆跳馬爾可夫鏈蒙特卡洛算法,在模型空間中模擬一條服從穩(wěn)態(tài)分布的馬爾可夫鏈,來計(jì)算每個(gè)變量的被選概率,從而進(jìn)行變量的選擇。
2.CARS方法
模仿達(dá)爾文進(jìn)化論中的“適者生存”法則,利用指數(shù)衰減函數(shù)和自適應(yīng)重加權(quán)采樣技術(shù)去除PLSR模型中權(quán)重較小的回歸系數(shù),優(yōu)選出權(quán)重前幾的系數(shù)。
3.SPA方法
通過對(duì)光譜數(shù)據(jù)進(jìn)行一系列的投影映射構(gòu)造新的變量集,并根據(jù)多元線性回歸評(píng)價(jià)模型的預(yù)測(cè)性能,該變量集中變量的共線性最小。
4.UME方法
向PLSR模型中添加幅度較小的隨機(jī)變量矩陣,基于交叉驗(yàn)證建立新的PLSR模型。將每個(gè)變量系數(shù)平均值和標(biāo)準(zhǔn)差的商作為穩(wěn)定性的值,同隨機(jī)變量矩陣得到的穩(wěn)定性的值作比較,選出被認(rèn)為和隨機(jī)變量一樣對(duì)模型建立無效的波長(zhǎng)變量。
5.GA方法
模擬生命進(jìn)化機(jī)制,從任意一個(gè)初始群體出發(fā),產(chǎn)生一群新的更適應(yīng)環(huán)境的個(gè)體,使群體進(jìn)化到搜索區(qū)域中越來越好的區(qū)域。
6.RC方法
PLSR建模所得到的模型回歸系數(shù),挑選系數(shù)絕對(duì)值大的作為特征波長(zhǎng)。
高光譜數(shù)據(jù)的建模方法介紹:
由于高光譜數(shù)據(jù)的復(fù)雜以及數(shù)據(jù)量很大,很難直接的對(duì)數(shù)據(jù)進(jìn)行定量定性分析,因此需要對(duì)提取得到的光譜數(shù)據(jù)采用化學(xué)計(jì)量學(xué)的方法進(jìn)行建模分析,對(duì)經(jīng)過特征波長(zhǎng)變量提取后的光譜建立多元變量校正模型,比較不同模型的預(yù)測(cè)效果,選取最優(yōu)模型,便于以后的儀器開發(fā)應(yīng)用。目前,采用的化學(xué)計(jì)量學(xué)建模算法主要是偏最小二乘回歸法(PLSR)和最小二乘支持向量機(jī)(LS-SVM)。
1.偏最小二乘回歸法(PLSR)
PLSR是一種常見的多元統(tǒng)計(jì)方法,廣泛應(yīng)用于光譜檢測(cè)模型的建立。其原理是將因子分析和回歸分析相結(jié)合,同時(shí)將光譜數(shù)據(jù)和理化參考數(shù)據(jù)分解,采用留一法交互驗(yàn)證計(jì)算預(yù)測(cè)殘差平方和,再根據(jù)潛在變量的累積貢獻(xiàn)率和預(yù)測(cè)殘差平方和,尋找最佳的潛在變量個(gè)數(shù)將光譜數(shù)據(jù)和理化參考值相關(guān)聯(lián),建立回歸模型。其優(yōu)點(diǎn)是較好的解決了樣本個(gè)數(shù)少于變量個(gè)數(shù)的問題。
2.最小二乘支持向量機(jī)(LS-SVM)
LS-SVM是一種改進(jìn)的支持向量機(jī)算法,能夠快速的進(jìn)行線性和非線性建棋分析,能有效解決高維數(shù)據(jù)分析問題,其算法思想是將原始樣本數(shù)據(jù)映射到高維空間里,用等式約束取代不等式約束,在高維空間里對(duì)最小化損失函數(shù)進(jìn)行求解獲得線性擬合函數(shù)。將傳統(tǒng)支持向量機(jī)的二次規(guī)劃問題,簡(jiǎn)化成求解一個(gè)等式方程組問題,大大提高計(jì)算效率。
相關(guān)產(chǎn)品
-
高光譜知識(shí):高光譜圖像處理技術(shù)
高光譜圖像處理技術(shù)是一種集圖像與光譜信息于一體的高分辨率技術(shù),廣泛應(yīng)用于航天、農(nóng)業(yè)、食品安全、醫(yī)學(xué)診斷及工業(yè)分類質(zhì)檢等領(lǐng)域,展現(xiàn)出強(qiáng)大的應(yīng)用潛力和價(jià)值。..
-
高光譜成像技術(shù)方案怎么選擇?
探索高光譜成像技術(shù),精準(zhǔn)檢測(cè)水果品質(zhì),從源頭把控,讓每一顆果實(shí)都展現(xiàn)最佳風(fēng)味!..
-
基于多種光學(xué)技術(shù)的食品無損檢測(cè):保障食品安全質(zhì)量
隨著科技的發(fā)展,如今有了更先進(jìn)的食品檢測(cè)方法,其中基于光學(xué)的不同波段檢測(cè)方法結(jié)合光譜技術(shù)大放異彩。這些方法包括可見光、紅外、太赫茲以及 X 射線等波段的檢測(cè),它..
-
高光譜成像技術(shù)在紡織品回收分類中的應(yīng)用
利用高光譜相機(jī)對(duì)紡織品進(jìn)行分類以便回收,在眾多節(jié)約和減少浪費(fèi)的努力中,紡織品仍然是最大的挑戰(zhàn)之一。只有 15% 被回收和再利用,而其余 85% 最終被填埋。紡織..