| 卷积神经网络和支持向量机算法在塑料近红外光谱分类中的模型应用 |
| |
| 引用本文： | 张文杰,焦安然,田静等.卷积神经网络和支持向量机算法在塑料近红外光谱分类中的模型应用[J].分析测试学报,2021,40(07):1062-1067.DOI：10.3969/j.issn.1004-4957.2021.07.013 |
| |
| 作者姓名： | 张文杰 焦安然 田静 王晓娟 王斌 徐晓轩 |
| |
| 作者单位： | 1.南开大学 物理科学学院 弱光非线性光子学教育部重点实验室,天津 300071;2.江苏大学 食品与生物工程学院,江苏 镇江 212013;3.宁波海关技术中心,浙江 宁波 315048 |
| |
| 基金项目： | 天津市科技支撑计划重点项目（15ZCZDGX00780）;国家重点研发计划（2016YFC0400709）; 江苏省高层次创新创业人才引进计划“2019双创博士”&“2020双创人才” |
| |
| 摘 要： | 机器学习算法的应用使得塑料自动分类成为可能,而废旧塑料的分类回收对保护环境、节约资源有重要意义。该文结合近红外光谱分析技术,比较了使用一维卷积神经网络（1DCNN）和多元散射处理后支持向量机算法（MSC－SVM）建模的效果,及对PP新生料、PP再生料、PE新生料、PE再生料4种塑料分类的准确率。基于100个塑料样本近红外光谱数据的分类结果表明,验证集上1DCNN模型准确率为91.5%,MSC－SVM模型准确率为90.8%。1DCNN模型用于识别PP和PE新生料时,准确率可达100%。证明1DCNN建模方法在小数据集上进行准确塑料分类是可行的。
|
| 关 键 词： | 近红外光谱 卷积神经网络 支持向量机 塑料分类 |
| 收稿时间： | 2020-10-29 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《分析测试学报》浏览原始摘要信息 |
|
点击此处可从《分析测试学报》下载全文 |
|
