摘要：为提高羊肉掺假的检测效率、获得更好的预测精度,对区间变量迭代空间收缩法(Interval variable iterative space shrinkage approach,IVISSA)进行改进,以获得更优的建模性能。在IVISSA算法中引入了联合区间偏最小二乘(Synergy interval partial least squares,Si-PLS)的思想,设计了联合区间变量迭代空间收缩法(Synergy interval variable iterative space shrinkage approach,Si-VISSA),首先将全光谱波长划分为若干区间并组合成不同的联合区间,分别建立偏最小二乘模型,通过比较建模结果选出最优区间组合。该算法还改变了局部搜索条件,最优区间组合确定后再进行区间宽度的优化,通过增减区间相邻的波长并判别增减后的建模结果,最终确定区间边界。这些优化有效降低了算法复杂性,提高了运算精度。将IVISSA和Si-VISSA选取的波长分别建立偏最小二乘模型,结果显示,IVISSA波长选择预测集的决定系数和均方根误差分别为0.943和5.918,Si-VISSA波长选择预测集的决定系数和均方根误差分别为0.980和4.996。对比运行时长发现Si-VISSA所用时间仅为原算法的20%。以上表明Si-VISSA有更好的预测性能以及更高的运行效率。

摘要：从土壤速效钾光谱中挖掘关键特征较为困难,导致高光谱反演模型预测精度较低。针对此问题,提出了一种混合式随机森林特征选择算法。首先采用封装式特征选择方法进行特征预选,快速去除冗余并保留相关特征,然后再利用改进的随机森林特征选择算法对预处理后的特征进行精选,通过增大关键特征与冗余特征的区分度以及采用迭代特征选择的方式,使精选后的特征具有更好的鲁棒性与区分性,较好的解决了土壤速效钾高光谱反演模型精度较低的问题。为了验证所提出算法的有效性,选取了青岛市大沽河流域具有代表性的124个土壤样品为实验对象,利用提出的算法从2 051个原始波段选出含有13个敏感波段的最优光谱子集建立土壤速效钾反演模型,并与现有特征选择算法所建模型进行对比分析。结果表明:该算法构建的回归模型具有较低的预测均方根误差RMSEP(9. 661 5),较高的相关系数r(0. 936 9)和预测分析相对误差RPD(2. 14)。混合式随机森林特征选择算法以较少的特征波长数实现了较好的预测效果,可为土壤养分实时光谱传感器的设计提供一定的理论依据。