典型文献
近红外光谱技术结合教与学算法优化极限学习机实现烤烟等级判定
文献摘要：
该研究基于近红外光谱(NIRs)技术,以2016～2018年来自13个省份的937个烟叶样本为研究对象,比较了竞争性自适应重加权采样方法(CARS)、蒙特卡洛无信息变量消除法(MC-UVE)以及随机青蛙算法(RF)3种变量筛选方法的极限学习机(ELM)模型效果,与常规判别方法偏最小二乘判别分析(PLS-DA)比较,验证了ELM模型的优势.并通过教与学优化(TLBO)算法对ELM模型进行优化,建立烤烟样本的等级判定模型.结果表明,验证集的分类正确率达到90.16％,测试集的外部验证表现良好,TLBO-ELM模型收敛速度快,泛化能力强,可应用于烤烟等级判定.近红外光谱技术结合教与学算法优化极限学习机为智能化实现烟叶等级判定提供了一种新方法.
文献关键词：
近红外光谱技术;教与学优化算法;极限学习机;烟叶;等级判定
中图分类号：
作者姓名：
沈欢超;耿莹蕊;倪鸿飞;王辉;吴继忠;廖付;陈勇;刘雪松
作者机构：
浙江大学 药学院,浙江 杭州 310058;浙江大学 智能创新药物研究院,浙江 杭州 310018;浙江中烟工业有限责任公司技术中心,浙江 杭州 310008
文献出处：
引用格式：
[1]沈欢超;耿莹蕊;倪鸿飞;王辉;吴继忠;廖付;陈勇;刘雪松-.近红外光谱技术结合教与学算法优化极限学习机实现烤烟等级判定)[J].分析测试学报,2022(07):1052-1057
A类：
B类：
近红外光谱技术,技术结合,教与学算法,算法优化,化极,极限学习机,烤烟等级,等级判定,NIRs,竞争性自适应重加权,采样方法,CARS,蒙特卡洛,无信息变量消除,除法,MC,UVE,青蛙,RF,变量筛选,筛选方法,ELM,判别方法,偏最小二乘判别分析,PLS,DA,TLBO,定模,验证集,测试集,外部验证,收敛速度,泛化能力,智能化实现,烟叶等级,教与学优化算法
AB值：
0.321516
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
