基于压缩自编码融合极限学习机的柑橘黄龙病鉴别方法

• 作者: 刘振丙 张卫东 徐明昌 杨辉华 路皓翔
• 来源期刊: 分析化学
• 关键词: 压缩自编码 极限学习机 近红外光谱 柑橘黄龙病
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 研究报告
• 页码范围: 652-660
• 页数: 9页
• 字数: 6171字
• 语种: 中文
• DOI: 10.19756/j.issn.0253-3820.181659

摘要

针对柑橘黄龙病检测模型的准确度较低、可靠性较差等问题,提出了一种压缩自编码融合极限学习机(Contractive auto-encoder combined extreme learning machine,CAE-ELM)的柑橘黄龙病鉴别方法.此方法通过ELM代替CAE顶层的Softmax分类器和反向微调阶段,达到减少算法运行时间同时提高模型的稳定性及鉴别能力的目的.其中,CAE实现了样本深层特征提取,ELM可实现分类鉴别.为了评估CAE-ELM模型性能,以不同比例的柑橘叶片近红外光谱数据作为训练集进行实验,采用波形叠加极限学习机(Summation wave-let extreme learning machine,SWELM)、ELM、支持向量机(Support vector machine,SVM)、堆叠去噪自编码(Stacked denoising auto-encoder,SDAE)、反向传播模型(Back propagation,BP)、CAE作为对比方法.在柑橘黄龙病的鉴别实验中,无论训练集样本大小,CAE-ELM均能保持最高的分类准确度,尤其当训练集与测试集为1080/165时分类准确度达100.00.同时,CAE-ELM模型比SDAE、CAE和BP模型具有更快的训练速度,但慢于SVM、ELM和SWELM模型.结果表明,CAE-ELM模型可以准确鉴别柑橘黄龙病,且模型具有良好的鲁棒性和可扩展性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨辉华	桂林电子科技大学电子工程与自动化学院	94	618	13.0	19.0
3	刘振丙	桂林电子科技大学计算机与信息安全学院	40	122	7.0	9.0
4	路皓翔	桂林电子科技大学电子工程与自动化学院	8	2	1.0	1.0
5	徐明昌	桂林电子科技大学计算机与信息安全学院	1	1	1.0	1.0
6	张卫东	桂林电子科技大学计算机与信息安全学院	10	15	2.0	2.0