【技术实现步骤摘要】
本专利技术涉及无损检测，尤其涉及一种基于机器学习的nir光谱产地鉴别分析方法。
技术介绍
1、近红外光谱分析技术作为一种快速、准确、便捷且非破坏性的分析技术，在农产品品质检测和产地鉴别方面得到了广泛应用，被认为是有望替代传统的化学分析的无损检测方法。
2、目前，基于近红外光谱分析的柑橘产地鉴别及品质检测技术还较为耗时费力且不够精确，其完整性、系统性和操作性还与实际应用有很大差距，因此提出一种能对柑橘进行快速的产地鉴别的有效技术体系是十分有必要的。
技术实现思路
1、本专利技术的目的在于提供一种基于机器学习的nir光谱产地鉴别分析方法，实现提高柑橘产地鉴别的时效性和准确性。
2、为实现上述目的，本专利技术采用的一种基于机器学习的nir光谱产地鉴别分析方法，包括如下步骤：
3、采集原始nip数据；
4、进行光谱预处理；
5、进行特征提取，得到降维后的数据；
6、对降维后的数据进行特征选择；
7、构建分类器；
8、评价分类器性能；
9、得到最终的鉴别模型。
10、其中，在进行光谱预处理的步骤中：
11、采用预处理算法，对光谱进行整形降噪，从而降低原始数据中的噪声对于分类器的干扰。
12、其中，在进行特征提取，得到降维后的数据的步骤中：
13、采用pca方法对降噪后的nir光谱进行特征抽取，从而将高维数据降维到适当的维度。
15、利用特征选择算法，对降维后的光谱数据进行适当的特征选择。
16、其中，在对降维后的数据进行特征选择的步骤中，特征选择的过程为：
17、特征子集的生成，确定如何生成下一个待选的特征子集；
18、评价标准，评判选择的特征是否优于现有的特征集；
19、停止条件，决定何时终止特征选择过程；
20、验证特征集，验证选择的子集是否有效。
21、其中，在得到最终的鉴别模型的步骤中：
22、选择不同的分类器，在统一的训练框架和性能评价指标下，选出分类器建立光谱识别模型。
23、本专利技术的一种基于机器学习的nir光谱产地鉴别分析方法，通过采集原始nip数据；进行光谱预处理，采用预处理算法，对光谱进行整形降噪，从而降低原始数据中的噪声对于分类器的干扰；进行特征提取，得到降维后的数据，采用pca方法对降噪后的nir光谱进行特征抽取，从而将高维数据降维到适当的维度；对降维后的数据进行特征选择，利用特征选择算法，对降维后的光谱数据进行适当的特征选择以利于分类器更快更精确地学习；构建分类器；评价分类器性能；得到最终的鉴别模型，选择不同的分类器，在统一的训练框架和性能评价指标下，选出分类器建立光谱识别模型，实现了提高柑橘产地鉴别的时效性和准确性。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的NIR光谱产地鉴别分析方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于机器学习的NIR光谱产地鉴别分析方法，其特征在于，在进行光谱预处理的步骤中：
3.如权利要求1所述的基于机器学习的NIR光谱产地鉴别分析方法，其特征在于，在进行特征提取，得到降维后的数据的步骤中：
4.如权利要求1所述的基于机器学习的NIR光谱产地鉴别分析方法，其特征在于，在对降维后的数据进行特征选择的步骤中：
5.如权利要求1所述的基于机器学习的NIR光谱产地鉴别分析方法，其特征在于，在对降维后的数据进行特征选择的步骤中，特征选择的过程为：
6.如权利要求1所述的基于机器学习的NIR光谱产地鉴别分析方法，其特征在于，在得到最终的鉴别模型的步骤中：
【技术特征摘要】
1.一种基于机器学习的nir光谱产地鉴别分析方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于机器学习的nir光谱产地鉴别分析方法，其特征在于，在进行光谱预处理的步骤中：
3.如权利要求1所述的基于机器学习的nir光谱产地鉴别分析方法，其特征在于，在进行特征提取，得到降维后的数据的步骤中：
4.如权利要求1所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。