不同波长提取方法的高光谱成像技术检测番茄叶片早疫病的研究

提出了基于连续投影算法（successive projections algorithm ，SPA）、载荷系数法（x-loading weights ， x-LW）和格拉姆-施密特正交（gram-schmidt orthogonalization ，GSO）提取特征波长的高光谱成像技术检测番茄叶片早疫病的方法。首先获取380～1023 nm波段范围内70个健康和70个染病番茄叶片的高光谱图像信息，然后提取健康和染病叶片感兴趣区域（region of interest ，ROI）的光谱反射率值，建立番茄叶片早疫病的最小二乘-支持向量机（least squares-support vector machine ，LS-SVM ）鉴别模型，建模集和预测集的鉴别率都是100％。再通过SPA 、x-LW和GSO提取特征波长（effective wavelengths ，EW），并建立EW-LS-SVM和特征波长-线性判别分析（ew-linear discriminant analysis ，EW-LDA ）鉴别模型。结果显示，每个模型的鉴别效果都很好，EW-LS-SVM模型中预测集的鉴别率都达到了100％，EW-LDA模型中预测集的鉴别率分别是100％，100％和97.83％。基于 SPA ， x-LW 和 GSO 所建模型的输入变量分别是4个（492，550，633和680nm），3个（631，719和747 nm）和2个（533和657 nm），较少的特征波长便于实时检测仪器的开发。结果表明，高光谱成像技术检测番茄叶片早疫病是可行的，SPA ，x-LW和GSO都是非常有效的特征波长提取方法。

正则化最小二乘线性判别分析算法

线性判别分析(Linear Discriminant Analysis,LDA)是用于降维和分类的方法,然而在遇到小样本问题时,由于全局散布矩阵是奇异的,所以传统的LDA方法是不适用的。为了解决LDA的这种缺点,提出了基于最小二乘线性判别分析(Least Squares Linear Discriminant Analysis,LS-LDA)的正则化算法,在LS-LDA中分别加入关于加权矩阵的L1范数、L2范数和弹性网络的惩罚项、来解决小样本问题,使模型具有鲁棒性和稀疏性。在对回归分析、正则化方法和LS-LDA相关技术进行深入分析的基础上,构建正则化最小二乘线性判别分析框架算法,实现数据降维。结合标准文本数据集进行实验,采用KNN(K-Nearest-Neighbor)分类器进行文本分类。实验结果表明,正则化的LS-LDA具有很好的分类性能,其中以加入了弹性网络惩罚项的LS-LDA最优。