[发明专利]基于集成学习的果蔬高光谱品质检测方法

权利要求书

1.一种基于集成学习的果蔬高光谱品质检测方法，其特征在于：开始，选择样本并投入高光谱数据及其品质数据，设置并选取若干特征提取的方法，将方法添加到集成学习框架中去，进行分别特征提取；然后由异态集成学习中元学习法针对回归的思想，将每个算法得到的优选波段序号进行加权融合，最终作为融合后的最终提取波段；其次基于bagging+adaboost框架下的多算法高光谱与品质相关分析模型的建立，根据基于集成学习的高光谱和品质相关性分析方法，投入特征高光谱数据、蔬果品质数据；训练数据的设置，默认为训练集为80％，测试集为20％；设置bagging随机抽取比例为80％-90％，将高光谱数据和品质数据作为原始数据集，将原始数据集进行若干次随机抽样得到若干次新的数据集，设置并选取若干回归分析方法，将方法添加到bagging+adaboost框架中去，依次对新的数据集进行分别回归建模分析，最后根据评价因子得到最终预测模型。

2.根据权利要求1所述的基于集成学习的果蔬高光谱品质检测方法，其特征在于所述bagging+adaboost框架：Bagging随机抽取比例设置形成s次随机，将原始数据集进行随机抽样得到s个新的数据集，依次运用adaboost训练新数据集合进行训练学习，减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率，最终分类器是多个弱分类器的加权平均；思路为设置并选取若干回归分析方法，将方法添加到bagging+adaboost框架中去，依次将新数据集进行回归建模分析，返回结果为各自回归模型。

3.根据权利要求1所述的基于集成学习的果蔬高光谱品质检测方法，其特征在于所述集成学习的高光谱和品质相关性分析方法：特征高光谱数据记为X(n,p)；蔬果品质数据记为Y(n,1)；n为样本数，p为特征波段变量数，

第一步：训练数据的设置，默认为训练集占样本数的80％，测试集占样本数的20％；

第二步：设置bagging随机抽取比例80％-90％，将原始数据集进行s次随机抽样得到s个新的数据集，每个数据集为N个样本；

第三步：设置并选取m个回归分析方法，将分析方法添加到bagging+adaboost框架中去，依次对s个新的数据集进行分别回归建模分析，返回结果为各自回归模型；

第四步：通过训练，每个训练集得出对应f(x)，即{f₁(x),f₂(x),…,f_s(x)}，融合依据为均方根误差权重如下：

F(x)＝b₁f₁(x)+b₂f₂(x).......+b_sf_s(x)(b₁+b₂+b₃+.......+b_s＝1)

其中：z_i为对应函数f的均方根误差，Z为所有均分根误差和，b_i为均方根误差因子，F(x)为最终预测函数。

4.根据权利要求3所述的基于集成学习的果蔬高光谱品质检测方法，其特征在于所述集成学习的高光谱和品质相关性分析方法第三步的具体过程如下：

301：初始化训练数据的权重分布，第i个训练样本最开始时被赋予同样的权重W_m,i，初始权重为1/N，其中：W_m,i为第m次迭代第i个训练样本对应的权重，1≤i≤N；

302：针对训练数据选取弱回归算法进行训练y＝C_m(x)，其中：m为迭代序号；

303：计算训练中样本误差值，第i个误差值ξ_i：

ξ_i＝∑W_i(k)|C_i(x_k)-y_i|

其中：i为样本序号，k为样本集序号，1≤k≤s，C_i为所选的回归算法，y_i为第i样本的真实值；

304：计算弱分类器对应的权重α：

其中：α_m为第m次迭代使用的回归算法权重，ξ_i为第i个样本误差值；

305：更新训练集的权重分布，目的是得到样本的新权值分布，用于下一轮迭代：D_m+1＝(W_m+1,1,W_m+1,2,…,W_m+1,N)

其中：D_m+1为m+1次的权重集合，W_m+1,i为m+1次第i个样本的权重值，Z_m为m次迭代的规范化因子，且Z_m＝Sum(W_i)；

306：组合各个弱回归模型从而得到次最终回归模型，如下：

其中：C_m(x)为第m次迭代中对应的算法函数，α_m为第m次迭代使用的回归算法权重。