Traditionelle Nachweismethoden für die Zitrusgelbkrankheit haben Probleme wie geringe Genauigkeit und schlechte Stabilität. Dieser Artikel schlägt eine auf der Nahinfrarotspektroskopie basierende Diskriminierungsmethode vor, die die kleinste Winkelregression kombiniert mit der kernelbasierten extremen Lernmaschine (Least angle regression combined with kernel extreme learning machine, LAR-KELM(RBF)). Diese Methode verarbeitet Spektraldaten mittels Wavelet-Transformation, wählt dann Spektralwellenlängen mithilfe des kleinsten Winkelregressionsalgorithmus (LAR) aus und klassifiziert schließlich Proben mit der kernelbasierten extremen Lernmaschine (KELM(RBF)). Experimente mit Nahinfrarotspektraldaten von Zitrusblättern bestätigten die Leistung des LAR-KELM(RBF)-Algorithmus mit einer maximalen Klassifikationsgenauigkeit von 99,91 % und einer Standardabweichung von 0,11. Die experimentellen Ergebnisse mit Trainingssätzen unterschiedlicher Größe zeigen, dass das LAR-KELM(RBF)-Modell im Vergleich zur extremen Lernmaschine (ELM), der waveletüberlagerten extremen Lernmaschine (SWELM), dem Rückpropagationsneuronalen Netzwerk (BP(2 Schichten)), KELM(RBF) und der Support-Vektor-Maschine (SVM) eine höhere Klassifikationsgenauigkeit und Stabilität aufweist und breit für die Erkennung und Diskriminierung der Zitrusgelbkrankheit eingesetzt werden kann.

Nahinfrarotspektroskopie;Zitrusgelbkrankheit;Variablenauswahl;kernelbasierte extreme Lernmaschine;kleinste Winkelregression