Los métodos tradicionales de detección de la enfermedad del dragón amarillo en cítricos presentan problemas como baja precisión y poca estabilidad. Este artículo propone un método de discriminación basado en espectroscopía de infrarrojo cercano que combina la regresión del ángulo mínimo con la máquina de aprendizaje extremo de kernel (Least angle regression combined with kernel extreme learning machine, LAR-KELM(RBF)). Este método preprocesa los datos espectrales mediante la transformada wavelet, luego selecciona las longitudes de onda espectrales usando el algoritmo de regresión del ángulo mínimo (LAR), y finalmente clasifica las muestras mediante la máquina de aprendizaje extremo de kernel (KELM(RBF)). Los experimentos que utilizaron datos espectrales de hojas de cítricos en el infrarrojo cercano confirmaron el rendimiento del algoritmo LAR-KELM(RBF), alcanzando una precisión máxima de clasificación del 99,91% con una desviación estándar de 0,11. Los resultados experimentales con conjuntos de entrenamiento de diferentes tamaños muestran que el modelo LAR-KELM(RBF) tiene mayor precisión de clasificación y estabilidad en comparación con la máquina de aprendizaje extremo (ELM), la máquina de aprendizaje extremo con superposición de formas de onda (SWELM), la red neuronal de retropropagación (BP(2 capas)), KELM(RBF) y la máquina de vectores de soporte (SVM), y puede aplicarse ampliamente para la detección y discriminación de la enfermedad del dragón amarillo en cítricos.

espectroscopía de infrarrojo cercano;enfermedad del dragón amarillo en cítricos;selección de variables;máquina de aprendizaje extremo de kernel;regresión del ángulo mínimo