| Индекс УДК |
535.33 577.3 |
|
Classification of tree species at the leaf level based on hyperspectral imaging technology R. Yang, J. Kan |
|
| Примечание | Аннотации англоязычных статей |
| Аннотация | Технология гиперспектральной визуализации использована для идентификации восьми пород деревьев на уровне отдельных листьев. Для выбора характерных спектральных полос использованы алгоритм последовательных проекций (SPA), коэффициент усиления информации (IG) и индекс Джини (Gini). Алгоритм оптимизации роя бинарных частиц (BPSO) применен для оптимизации набора характерных полос, выбранных с помощью SPA, IG и Gini. Машинное обучение для оптимизации роя бинарных частиц (PSO-ELM), линейные модели байесовского нормального классификатора (LBNC) и k-ближайшего соседа (KNN) для пород деревьев созданы на основе всех спектральных диапазонов, характерных полос и оптимизированных характерных полос соответственно. Показатели 175-2 распознавания моделями PSO-ELM, LBNC и KNN на основе всех спектральных диапазонов составляют 98. 45, 99. 10 и 83. 67% соответственно. Методы SPA, IG и Gini позволяют эффективно выбирать спектральные полосы для различения пород деревьев и значительно уменьшать размерность необходимых для распознавания спектральных данных. Результаты распознавания моделями, основанными на характерных полосах, выбранных Gini, лучшие, а показатели распознавания моделями PSO-ELM, LBNC и KNN достигали 97. 55, 96. 53 и 80. 5% соответственно. BPSO-SPA, BPSO-IG и BPSO-Gini дополнительно уменьшaют размерность спектральных данных, не снижая точности распознавания. Модели, созданные на основе оптимизированных характерных полос, выбранных с помощью BPSO-Gini, показывают наилучший результат распознавания, а показатели распознавания моделями PSO-ELM, LBNC и KNN составили 96. 53, 96. 68 и 81. 05% соответственно. В целом показатели распознавания модели PSO-ELM лучше, чем моделей LBNC и KNN. |
| Название источника | Журнал прикладной спектроскопии |
| Место и дата издания | 2020 |
| Прочая информация | Т. 87, № 1. - С. 175 |
