基于数据增强和RFE-PCA-BP的少样本芘浓度分类方法

该文提出了一种基于数据增强的特征选择拉曼光谱浓度分类方法(Recursive Feature Elimination-Principal Component Analysis-Back Propagation Neural Network,RFE-PCA-BP)。实验将购买于超市的食用油与不同浓度的嵌二萘溶液滴在硅藻土板上,采集九种不同浓度芘(Pyrene)的拉曼光谱数据,通过数据增强,将每种浓度数据通过添加不同信噪比(SNR)来扩充样本数量;RFE-PCA-BP浓度分类模型将拉曼光谱数据的特征消除、数据预处理、浓度分类合而为一。通过实验证明,RFE-PCA-BP算法的准确率高达99.42%远高于BP神经网络算法(Back Propagation Neural Network,BPNN)的86.67%。