基于特征区域下凸点提取的藻类荧光光谱波长选择方法

藻华现象的频繁发生严重影响了海洋环境和人类的生产活动,因此对水体浮游植物的监测十分重要。三维荧光光谱被广泛应用于水体浮游植物中藻类的群落组成分析和浓度定量分析,然而三维荧光光谱数据中的信息冗余给藻类定性定量分析带来了一定的影响。针对光谱信息冗余问题,提出了特征区域积分与凸点提取相结合的三维荧光光谱波长选择方法。以抑食金球藻、细长聚球藻、小球藻为研究对象,采用Savitzky-Golay卷积平滑法对三维荧光光谱进行预处理,解决了因外界因素造成的光谱噪声问题,采用马氏距离法剔除三维荧光光谱数据集中的异常光谱样本,运用浓度残差法剔除三维荧光光谱数据集中的异常浓度值样本,然后通过偏最小二乘回归模型的内部交叉验证均方根误差衡量不同特征区域下凸点的可靠性进行波长变量的选择。为验证波长筛选方法的有效性,对三种藻类建立偏最小二乘回归模型,以内部交叉验证决定系数（R2）、内部交叉验证均方根误差（RMSECV）作为模型评价指标。与全光谱数据建立的回归模型进行了比较,抑食金球藻、小球藻、细长聚球藻的波长变量由全谱的1071个分别减少到77个、75个、67个,R2分别提高了0.016 4,0.002和0.032 4,RMSECV分别降低了1.8×105,2.0×105,2.6×105。与UVE方法相比,抑食金球藻、小球藻、细长聚球藻的波长变量分别减少了599个、357个、317个,R2分别提高了0.014 5,0.000 4和0.012 3,RMSECV分别降低了1.6×105,7.0×104和1.6×105。经过该方法进行波长变量选择后,减少了冗余信息,提高了模型预测能力。     

基于LLE与Gold-SA-SVM的海藻三维荧光光谱门类识别

针对海藻三维荧光光谱线性降维方法不理想、模型识别准确率低的问题,提出通过局部线性嵌入(LLE)算法进行降维、通过黄金正弦算法(Gold-SA)对支持向量机(SVM)进行优化来构建分类模型的方法.将LLE算法降维后的海藻三维荧光光谱数据作为SVM的输入,并与其他两种降维方法进行对比.结果 显示:LLE算法的降维效果最好,...