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

沈欢超; 耿莹蕊; 倪鸿飞; 王辉; 吴继忠; 廖付; 陈勇; 刘雪松

doi:10.19969/j.fxcsxb.21101601

您当前的位置：

首页 >

文章列表页 >

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

实验技术与方法 | 更新时间：2022-07-15

- 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
- Grade Determination of Flue-cured Tobacco by Near Infrared Spectroscopy Combined with Teaching-learning-based Optimization Algorithm Optimized Extreme Learning Machine
- 分析测试学报 2022年41卷第7期页码：1052-1057
- 作者机构：
  
  1.浙江大学药学院，浙江杭州 310058
  2.浙江大学智能创新药物研究院，浙江杭州 310018
  3.浙江中烟工业有限责任公司技术中心，浙江杭州 310008
- 作者简介：
  
  刘雪松，博士，研究员，研究方向：现代制药工程与医药智能制造，E－mail：liuxuesong@zju.edu.cn
- 基金信息：
  
  浙江大学－浙江中烟联合实验室项目资助
- DOI：10.19969/j.fxcsxb.21101601
  中图分类号：
扫描看全文
沈欢超,耿莹蕊,倪鸿飞等.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,2022,41(07):1052-1057.

SHEN Huan-chao,GENG Ying-rui,NI Hong-fei,et al.Grade Determination of Flue-cured Tobacco by Near Infrared Spectroscopy Combined with Teaching-learning-based Optimization Algorithm Optimized Extreme Learning Machine[J].Journal of Instrumental Analysis,2022,41(07):1052-1057.
沈欢超,耿莹蕊,倪鸿飞等.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,2022,41(07):1052-1057. DOI： 10.19969/j.fxcsxb.21101601.

SHEN Huan-chao,GENG Ying-rui,NI Hong-fei,et al.Grade Determination of Flue-cured Tobacco by Near Infrared Spectroscopy Combined with Teaching-learning-based Optimization Algorithm Optimized Extreme Learning Machine[J].Journal of Instrumental Analysis,2022,41(07):1052-1057. DOI： 10.19969/j.fxcsxb.21101601.

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。

Abstract

The quality evaluation on tobacco is an important work as it is a high-value attribute product．Therefore，it is of a certain application value to ultilize intelligent means for efficient classification of tobacco．Based on near infrared spectroscopy（NIRs），937 tobacco samples from 13 provinces from 2016 to 2018 were used to compare the extreme learning machine（ELM） model effects of three variable screening methods，including competitive adaptive reweighted sampling（CARS） method，Monte Carlo uninformed variable elimination（MC－UVE） method and random frog（RF） algorithm．Compared with partial least squares－discriminant analysis（PLS－DA），the advantages of ELM model were verified．The ELM model was optimized by teaching-learning-based optimization（TLBO） algorithm，thus a TLBO－ELM classification model for flue-cured tobacco samples was established．Results showed that the classification accuracy of the validation set was 90.16%．The external verification effect of the testing set was satisfactory，and the TLBO－ELM model had fast convergence speed and strong generalization ability，which could be applied to the classification of flue-cured tobacco．NIRs combined with TLBO to optimize ELM provides a new idea for intelligent tobacco classification.

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

Keywords

near infrared spectroscopyteaching-learning-based optimization algorithmextreme learning machinetobaccograde determination

references

Munnaf M A，Mouazen A M．Comput. Electron. Agric.，2021，188：106341.

Amanah H Z，Joshi R，Masithoh R E，Choung M G，Kim K H，Kim G，Cho B K．Infrared Phys. Technol.，2020，111：103477.

Santos F D，Santos L P，Cunha P H P，Borghi F T，Romão W，de Castro E V R，de Oliveira E C，Filgueiras P R．Fuel，2021，283：118854.

Liu C Y，Tang X J，Yu T，Wang T S，Lu Z W，Yu W X．Optik，2020，224：165694.

Zhu M T，Long Y，Chen Y，Huang Y S，Tang L J，Gan B，Yu Q，Xie J H．J. Food Compos. Anal.，2021，102：104055.

Xia Z Z，Zheng D，Xia H，Yao J J，Wang S P，Qiu J F．J. Instrum. Anal. （夏珍珍，郑丹，夏虹，姚晶晶，王胜鹏，仇建飞．分析测试学报），2020，39（11）：1371－1377.

Ma H，Pan H Y，Pan D Y，Ni H F，Feng X J，Liu X S，Chen Y，Wu Y J，Luo N．Spectrochim. Acta A，2020，242：118792.

Si L T，Ni H F，Pan D Y，Zhang X，Xu F F，Wu Y，Bao L W，Wang Z Z，Xiao W，Wu Y J．Spectrochim. Acta A，2021，252：119517.

Yu M，Li S K，Yang F，Zheng Y，Li P，Jiang L W，Liu X．J. Instrum. Anal. 余梅，李尚科，杨菲，郑郁，李跑，蒋立文，刘霞．分析测试学报），2021，40（1）：65－71.

Li S J，Pan X，Chen X Z，Zhu J Y，Wu B Z，Xie X F，Wen Y X．Tobacco Sci. Technol. 李士静，潘羲，陈熙卓，朱均燕，吴碧致，谢小芳，温永仙．烟草科技），2021，54（10）：82－91.

Wang C，Li P C，Yang K，Zhang T T，Liu Y L，Li J H．Spectrosc. Spectral Anal. （王超，李朋成，杨凯，张甜甜，刘艺琳，李军会．光谱学与光谱分析），2021，41（3）：943－947.

Bin J，Zhou J H，Fan W，Li X，Liang Y Z，Xiao Z X，Li C S．Acta Tab. Sin. 宾俊，周冀衡，范伟，李鑫，梁逸曾，肖志新，李春顺．中国烟草学报），2017，23（2）：60－68.

Huang G B，Zhu Q Y，Siew C K．Neurocomputing，2006，70（1/3）：489.

Zhong H M，Miao C Y，Shen Z Q，Feng Y H．Neurocomputing，2014，128：285－295.

Qahatan A M，Abbdal R S H，Moorthy K，Mundher A M．Mater. Today Proc.，2021. https：//doi.org/10.1016/j.matpr.2021.07.015https://doi.org/10.1016/j.matpr.2021.07.015．

Rao R V，Savsani V J，Vakharia D P．Inf. Sci.，2012，183（1）：1－15.

Gao N S，Zhang Z C，Tang L L，Hou H，Chen K．Appl. Acoust.，2021，183：108296.

Sharma P，Chakradhar D，Narendranath S．Measurement，2021，179：109483.

Li H D，Liang Y Z，Xu Q S，Cao D S．Anal. Chim. Acta，2009，648（1）：77－84.

Cai W S，Li Y K，Shao X G．Chemom. Intell. Lab. Syst.，2008，90（2）：188－194.

Li H D，Xu Q S，Liang Y Z．Anal. Chim. Acta，2012，740：20－26.

Cai Z Y．Research on Singular Sample Identification Method Based on MCCV Combined with T-test．Beijing：North China University of Technology（蔡子嫣．基于MCCV结合T检验的奇异样本识别方法研究. 北京：北方工业大学），2018.

Kennard R W，Stone L A．Technometrics，1969，11（1）：137－148.

Savitzky A，Golay M．Anal. Chem.，1964，36（8）：1627－1639.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

近红外光谱结合无参数校正增强实现不同年份烟叶总糖含量模型更新

藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究

基于近红外光谱技术与化学计量学的绿茶无损鉴别方法研究

近红外光谱快检技术在口岸安全监管领域的应用展望