文献类型：期刊文章

作　　者：王静[1,2] 丁香乾[1] 王晓东[1] 韩凤[3] 韩冬[3] 曲晓娜[3]

Wang Jing;Ding Xiangqian;Wang Xiaodong;Han Feng;Han Dong;Qu Xiaona(College of Information Science and Engineering,Ocean University of China,Qingdao 266100,China;Science and Information College,Qingdao Agricultural University,Qingdao 266109,China;Shandong Tobacco Research Institute Co.,Ltd.,Jinan 250101,China)

机构地区：[1]中国海洋大学信息科学与工程学院,山东青岛266100 [2]青岛农业大学理学与信息科学学院,山东青岛266109 [3]山东烟草研究院有限公司,山东济南250101

出　　处：《红外与激光工程》

基　　金：国家重点研发计划(2016YFB1001103);中国烟草总公司山东省公司科技项目<基于近红外光谱的山东烟叶自动分选及化学成分协调性快速评价研究>

年　　份：2019

卷　　号：48

期　　号：4

起止页码：31-37

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：近红外检测作为一种快速无损的检测方法得到广泛关注。但光谱中存在大量噪声以及光谱数据的高维度和非线性等特点影响了分类模型的准确率。将深信网络(DBN)的理论改进并引入光谱特征学习中,解决高维特征间非线性关系的学习问题,采用逐层训练策略和随机梯度上升法分别进行网络预训练和微调获得网络权值;并结合支持向量机(SVM)建立近红外光谱多分类模型DBNSVM。与基于主成分分析的分类模型PCA-SVM和基于线性判别分析的LDA-SVM分类模型进行应用比较。结果表明:DBN-SVM算法能有效地学习高维数据中的内在结构和非线性关系,由该算法构建的模型具有良好的特征学习能力和分类识别能力,而且在稳健性、各类别的灵敏度和特效度也更优。

关 键 词：深度信念网络  近红外光谱 特征学习  分类模型  

分 类 号：TP18] TP274.52]