目的利用拉曼光谱建立多种算法的定性模型,用于贝壳类动物药牡蛎和石决明的鉴别分析。方法采集32批牡蛎和29批石决明共计366个样品的拉曼光谱,光谱在Matlab软件中作Savitzky-Golay平滑滤波、Scale Normalization for ImagePyramids基线...目的利用拉曼光谱建立多种算法的定性模型,用于贝壳类动物药牡蛎和石决明的鉴别分析。方法采集32批牡蛎和29批石决明共计366个样品的拉曼光谱,光谱在Matlab软件中作Savitzky-Golay平滑滤波、Scale Normalization for ImagePyramids基线校正、归一化预处理,并对全部及特征波段进行主成分分析降维。使用K最邻近法、决策树算法、判别分析法、集成学习法、支持向量机、人工神经网络6种分类算法建立鉴别模型,通过贝叶斯优化对前5种模型性能进行提升。结果预处理后拉曼信号峰明显,降维后牡蛎和石决明有聚类趋势。建立以200~310,670~740,1050~1100 cm^(-1)为特征波段的5种算法鉴别模型,相比于全波段模型,除集成学习法、支持向量机外,其他算法准确率均有一定的提高。贝叶斯优化后,有3种模型训练集准确率达到98%,测试集准确率达到100%。采用人工神经网络建模分类,训练集、验证集、测试集的正确率均达到100%,能够准确地区分牡蛎和石决明。结论基于多种算法或IP建立了牡蛎及石决明拉曼光谱鉴别模型,预测效果均较为理想,其中人工神经网络模型可实现牡蛎和石决明的百分百准确、快速鉴别。展开更多
文摘目的利用拉曼光谱建立多种算法的定性模型,用于贝壳类动物药牡蛎和石决明的鉴别分析。方法采集32批牡蛎和29批石决明共计366个样品的拉曼光谱,光谱在Matlab软件中作Savitzky-Golay平滑滤波、Scale Normalization for ImagePyramids基线校正、归一化预处理,并对全部及特征波段进行主成分分析降维。使用K最邻近法、决策树算法、判别分析法、集成学习法、支持向量机、人工神经网络6种分类算法建立鉴别模型,通过贝叶斯优化对前5种模型性能进行提升。结果预处理后拉曼信号峰明显,降维后牡蛎和石决明有聚类趋势。建立以200~310,670~740,1050~1100 cm^(-1)为特征波段的5种算法鉴别模型,相比于全波段模型,除集成学习法、支持向量机外,其他算法准确率均有一定的提高。贝叶斯优化后,有3种模型训练集准确率达到98%,测试集准确率达到100%。采用人工神经网络建模分类,训练集、验证集、测试集的正确率均达到100%,能够准确地区分牡蛎和石决明。结论基于多种算法或IP建立了牡蛎及石决明拉曼光谱鉴别模型,预测效果均较为理想,其中人工神经网络模型可实现牡蛎和石决明的百分百准确、快速鉴别。
