夏延秋, 謝培元, NAY MIN AUNG, 張 濤, 馮 欣, 2*

1. 華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院, 北京 102206

2. 中國(guó)科學(xué)院蘭州化學(xué)物理研究所固體潤(rùn)滑國(guó)家重點(diǎn)實(shí)驗(yàn)室, 甘肅 蘭州 730000

引 言

隨著各種高精尖設(shè)備的廣泛應(yīng)用, 設(shè)備對(duì)潤(rùn)滑油品的性能要求不斷提高。 添加劑作為潤(rùn)滑油的精髓, 多種類添加劑協(xié)同作用, 改善了潤(rùn)滑油物理化學(xué)性能、 滿足了特殊工況潤(rùn)滑需求[1]。 雖然油品添加劑的種類繁多, 但其含量通常只占潤(rùn)滑油質(zhì)量極小的部分, 僅從油品外觀上難以區(qū)分使用類別, 一旦標(biāo)簽失效或丟失, 將造成油品的管理和使用混亂, 并且?guī)斫?jīng)濟(jì)損失; 對(duì)運(yùn)轉(zhuǎn)設(shè)備的殘油、 廢油、 漏油中添加劑的種類識(shí)別, 可以及時(shí)分析油品健康狀態(tài)、 精準(zhǔn)定位并預(yù)測(cè)不良狀態(tài)部件, 達(dá)到對(duì)設(shè)備的監(jiān)測(cè)及維護(hù)提供前期預(yù)警目的。 研究一種快速且準(zhǔn)確的微小量、 多品種潤(rùn)滑油添加劑的同步識(shí)別方法具有現(xiàn)實(shí)意義。

紅外光譜分析法具有方便、 快捷、 精確等特點(diǎn), 結(jié)合現(xiàn)代模式識(shí)別技術(shù)、 計(jì)算機(jī)技術(shù), 被越來越多地應(yīng)用于各種物質(zhì)的定性及定量分析[2]。 人工智能、 機(jī)器學(xué)習(xí)的發(fā)展帶動(dòng)了諸多行業(yè)與智能算法的關(guān)聯(lián), 為人類鑒別、 區(qū)分物質(zhì)提供了快捷的方法。 如近紅外光譜與支持向量機(jī)(SVM)結(jié)合進(jìn)行水稻類型識(shí)別[3], 近紅外光譜和中紅外光譜結(jié)合偏最小二乘分析法對(duì)意大利初榨橄欖油進(jìn)行分類[4], 采用偏最小二乘法[5]、 區(qū)間最小二乘法[6]、 最小二乘支持向量機(jī)[7]等方法預(yù)測(cè)某種成分的含量。 有一部分學(xué)者使用拉曼光譜[8]、 氣相-色譜、 太赫茲光譜、 阻抗譜等獲取數(shù)據(jù), 不過中紅外光譜測(cè)量的波數(shù)范圍為4 000～400 cm-1, 其含有潤(rùn)滑油豐富的分子結(jié)構(gòu)信息, 可通過直接或間接關(guān)聯(lián)的方法測(cè)定潤(rùn)滑油的族組成、 添加劑的含量等。 研究人員致力于嘗試在高維的數(shù)據(jù)中選擇某些特征, 來提高求解效率[9]。 這些方法與技術(shù)在設(shè)備潤(rùn)滑油領(lǐng)域的研究, 多數(shù)仍僅限于針對(duì)某一特定物質(zhì)含量的檢測(cè)來評(píng)估潤(rùn)滑油的老化程度等質(zhì)量問題[10], 或者是潤(rùn)滑油的種類識(shí)別、 品牌識(shí)別[11]。

基本遺傳算法(GA)是一種經(jīng)典的仿生算法, 具有群體搜索特性并被廣泛應(yīng)用于各種領(lǐng)域, GA具有過早收斂和易于陷入局部最優(yōu)的問題。 為了保證GA的計(jì)算效率和全局搜索的準(zhǔn)確性, 對(duì)于遺傳操作的研究一直是GA算法中最活躍的領(lǐng)域之一。 Zhou等[12]對(duì)比了普通遺傳算法、 粒子群算法和一種嵌入免疫算法思想作為選擇算子的遺傳算法再解決無人飛行器返回基地的路徑選擇問題上的表現(xiàn), 發(fā)現(xiàn)嵌入免疫思想選擇算子的遺傳算法成功搜索目標(biāo)的次數(shù)更多。 Diana等[13]探索了可變下降領(lǐng)域VND作為局部搜索算子改進(jìn)了包括遺傳算法在內(nèi)的三種啟發(fā)式算法解決經(jīng)典問題的表現(xiàn), 發(fā)現(xiàn)其在三種算法的評(píng)價(jià)中都超過了目前最先進(jìn)的改進(jìn)方式。 對(duì)于潤(rùn)滑油添加劑種類識(shí)別的問題, 夏延秋等使用極限學(xué)習(xí)機(jī)結(jié)合遺傳算法和貪心算法建立了模型, 但是僅識(shí)別了含單一添加劑的潤(rùn)滑油[14]。 夏延秋等使用遺傳算法與二進(jìn)制粒子群算法混合優(yōu)化基于隨機(jī)森林(RF)和K近鄰(KNN)兩種經(jīng)典分類算法的光譜全波段篩選, 但是篩選的光譜特征波段與表征潤(rùn)滑油添加劑的特征峰所在波段對(duì)應(yīng)較差[15]。

本工作選用一對(duì)多支持向量機(jī)(OVR SVMs)[16-17]、 加隨機(jī)森林(RF)[18]兩種典型分類算法, 分別嵌入基本遺傳算法(GA)和一種基于免疫算法改進(jìn)局部搜索算子的遺傳算法(LGA)優(yōu)選中紅外光譜特征波段, 構(gòu)建多類別分類模型, 解決設(shè)備潤(rùn)滑油中微小量添加劑多種類同步識(shí)別問題。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)材料

設(shè)備潤(rùn)滑油測(cè)試樣本所用基礎(chǔ)油為PAO-10, 油品添加劑選用硫化異丁烯T321、 烷基二苯胺T534、 硫代磷酸銨鹽T307三種較常見使用的潤(rùn)滑油添加劑。 按照油品中同時(shí)添加品種的種類數(shù)目構(gòu)成的8類樣本如表1所示, 每種添加劑均選取1%含量加入油樣中, 1表示含有該種添加劑, 0則表示不含有。 每種樣本采集10條光譜數(shù)據(jù), 樣品數(shù)據(jù)共計(jì)80條, 訓(xùn)練集與測(cè)試集按7∶3的比例均勻劃分, 即每種樣品采集的10條光譜數(shù)據(jù)中隨機(jī)選擇7條作為訓(xùn)練集, 3條作為測(cè)試集。 56條光譜數(shù)據(jù), 每條譜線1 868個(gè)譜特征, 經(jīng)min-max標(biāo)準(zhǔn)歸一化后, 被導(dǎo)入各模型開始進(jìn)行訓(xùn)練。 訓(xùn)練結(jié)束后, 將剩余的24條光譜數(shù)據(jù)導(dǎo)入訓(xùn)練好的模型中, 獲得各模型對(duì)每一種類添加劑的模型識(shí)別準(zhǔn)確率。

表1 添加劑組合方式

1.2 光譜采集儀器

試驗(yàn)樣本數(shù)據(jù)采集儀器為Thermo Scientific Nicolet iS5傅里葉變換紅外光譜儀, 光譜范圍： 7 800～350 cm-1, 采用KBr(溴化鉀)窗片, 透過波長(zhǎng)7 800～400 cm-1, (1～25 μm)透過率大于92%。 采集設(shè)置： 掃描次數(shù)16次, 分辨率4, 數(shù)據(jù)間隔1 928 cm-1(掃描速度： 0.10～2 cm·s-1)。 每個(gè)樣本重新裝樣后采集10次光譜數(shù)據(jù), 模擬不同采集人員在紅外光譜采集過程中產(chǎn)生的人工誤差, 最終獲得80個(gè)光譜數(shù)據(jù)。

1.3 min-max標(biāo)準(zhǔn)歸一化

為避免測(cè)量?jī)x器零點(diǎn)漂移和數(shù)據(jù)數(shù)值差距過大, 采用式(1)min-max標(biāo)準(zhǔn)化方法對(duì)原始紅外光譜數(shù)據(jù)進(jìn)行歸一化處理, 將數(shù)據(jù)映射到[0, 1]之間。

(1)

式(1)中,xi為原始的光譜數(shù)據(jù),xmin為原始光譜數(shù)據(jù)的最小值,xmax為原始光譜數(shù)據(jù)的最大值。

1.4 分類準(zhǔn)確性指標(biāo)

接收者操作特征(ROC)曲線能有效反映分類器分類的準(zhǔn)確性, 曲線的橫縱坐標(biāo)分別為真正利率(TPR)和假正例率(FPR), 定義如式(2)和式(3)

(2)

(3)

式(2)和式(3)中,TP為預(yù)測(cè)為真正例的個(gè)數(shù);TN為預(yù)測(cè)為真負(fù)例的個(gè)數(shù);FP為預(yù)測(cè)為假正例的個(gè)數(shù);FN為預(yù)測(cè)為假負(fù)例的個(gè)數(shù)。 曲線下面積(AUC)值定義為以ROC曲線下的坐標(biāo)軸為邊界的面積。 該區(qū)域不能大于1。 由于ROC曲線始終在Y=X線上, AUC在0.5到1之間。 AUC值越接近1.0, 分類器的可靠性越高。

識(shí)別準(zhǔn)確率, 即模型預(yù)測(cè)正確數(shù)量所占總量的比例, 計(jì)算公式如式(4)

(4)

式(4)中,TP+TN為識(shí)別準(zhǔn)確的總數(shù),P+N為總識(shí)別數(shù)。

各添加劑官能團(tuán)在紅外光譜上的位置： 經(jīng)過查閱紅外光譜譜圖資料[14]得到各添加劑所含基團(tuán)對(duì)應(yīng)吸收峰在紅外光譜上的位置： T321在657 cm-1處出現(xiàn)因C—S—C振動(dòng)產(chǎn)生的吸收峰, 以及在1 178 cm-1處出現(xiàn)因C—S振動(dòng)產(chǎn)生的吸收峰; T534在885～805 cm-1處出現(xiàn)苯環(huán)對(duì)位雙取代烷基峰和1 500和1 600 cm-1位置苯環(huán)骨架振動(dòng); T307在930～1 110 cm-1處出現(xiàn)因P—N振動(dòng)產(chǎn)生的吸收峰。 所篩選的波段若能同時(shí)包含以上三個(gè)吸收峰位置的波段, 則認(rèn)為種類識(shí)別模型建立成功。

1.5 遺傳算法及其改進(jìn)

原始的中紅外光譜數(shù)據(jù)在采集的過程中難免會(huì)存在諸多環(huán)境與人為因素的影響及干擾, 出現(xiàn)數(shù)據(jù)摻雜高噪聲和高冗余。 因此對(duì)光譜波段進(jìn)行特征優(yōu)化篩選, 有效剔除原特征集中的弱相關(guān)信息和摻雜的干擾信息, 不僅可以確保模型的穩(wěn)健性和精確性, 而且對(duì)提高模型識(shí)別效率尤為重要。 基本遺傳算法是一種模擬生命演化的仿生算法, 從一個(gè)隨機(jī)的初始種群開始, 不斷進(jìn)行選擇、 雜交和變異的過程, 使種群逐漸向一個(gè)設(shè)定好的方向進(jìn)化。 將種群中的每個(gè)個(gè)體基因型表示為一個(gè)n位的0-1編碼組合, 對(duì)應(yīng)的將經(jīng)過歸一化處理的光譜(1 868個(gè)數(shù)據(jù)點(diǎn))劃分為n個(gè)子區(qū)間。 計(jì)算識(shí)別準(zhǔn)確率時(shí), 若基因編碼為1, 則計(jì)算時(shí)包含此波段; 若基因編碼為0, 則計(jì)算時(shí)不包含此波段。 由此, 波段篩選的問題就轉(zhuǎn)換成選擇一個(gè)識(shí)別準(zhǔn)確率更高的0-1數(shù)字串, 可以認(rèn)為最終得到的0-1數(shù)字串中1所在的位置組合代表的波段即為光譜的波段篩選結(jié)果。

GA初始種群數(shù)設(shè)置為50, 個(gè)體基因型長(zhǎng)度n經(jīng)測(cè)試后設(shè)置為19, 最大迭代次數(shù)為100, 使用輪盤賭方法進(jìn)行選擇, 使用兩點(diǎn)交叉以概率pc=0.6進(jìn)行交叉, 以概率pm=0.01進(jìn)行行位點(diǎn)隨機(jī)變異, 以種類識(shí)別模型輸出的識(shí)別準(zhǔn)確率作為適應(yīng)度函數(shù)值, 若到達(dá)最大迭代次數(shù)或識(shí)別準(zhǔn)確率達(dá)到100%則停止迭代。

1.6 基于局部搜索算子的遺傳算法(LGA)優(yōu)化

使用局部搜索算子改進(jìn)GA的選擇步驟, 能顯著增加GA的全局搜索能力以避免過早收斂和陷入局部最優(yōu)的問題。 采用了文獻(xiàn)[19]中的一種基于優(yōu)良模式的局部搜索算子, 首先從種群中選取適應(yīng)度值高于平均值的一部分個(gè)體提取出一個(gè)“優(yōu)良模式”, 然后基于優(yōu)良模式生成優(yōu)良模式附近的局部最優(yōu)解, 并利用生成的局部最優(yōu)解與當(dāng)前最優(yōu)解進(jìn)行對(duì)比, 若生成解的適應(yīng)度值和樣本長(zhǎng)度均優(yōu)于當(dāng)前種群最優(yōu)解, 則用生成解替代最優(yōu)解。 局部搜索算子的設(shè)計(jì)如下：

步驟1 生成“優(yōu)良模式”： 從當(dāng)前種群中選取α·n個(gè)個(gè)體, 其中α為比例系數(shù), 實(shí)際選擇0.14,n為群體規(guī)模。 將這些個(gè)體作為較優(yōu)個(gè)體, 記為：x1,x2, …,x(α·n)前其中較優(yōu)群體的長(zhǎng)度記為l。

(1) 首先統(tǒng)計(jì)較優(yōu)群體中每個(gè)基因位置上的0和1的個(gè)數(shù)ni

(5)

式(5)中,i=1～l,xij表示第j個(gè)較優(yōu)個(gè)體的第i個(gè)基因位上的值。

(2) 采用一下規(guī)則產(chǎn)生優(yōu)良模式： 若ni≥β·α·n則yi=1; 若ni≤β·α·n則yi=0; 若(1-β)·α·n

步驟2 生成局部最優(yōu)解： 以優(yōu)良模式y(tǒng)1,y2, …,yα·n,yi={0, 1, 2},i=1～l為基礎(chǔ), 在其附近采用貪婪接受的思想搜索局部最優(yōu)解z1,z2, …,zi,i=1～l。 搜索方法如下：

①z=bestpop其中bestpop為較優(yōu)種群中的最優(yōu)解, 令k=0;

② 隨機(jī)產(chǎn)生一個(gè)優(yōu)良模式附近的最優(yōu)解h={h1,h2, …,hi},i=1～l, 其中hi的生成規(guī)則如下： 若yi=0則ki=0; 若yi=1則hi=1; 若yi=2則hi以均勻分布的隨機(jī)數(shù)取0或者1;

③ 若個(gè)體h的適應(yīng)度大于個(gè)體z的適應(yīng)度, 則z=h;

④ 若k≥n, 結(jié)束, 并輸出局部最優(yōu)解z, 否則k=k+1, 轉(zhuǎn)②。m為搜索次數(shù), 實(shí)際設(shè)置m=10。

步驟3 代替： 用局部最優(yōu)解代替當(dāng)前群體中適應(yīng)度值最小的個(gè)體。

由于采用了局部最優(yōu)個(gè)體保留的機(jī)制, 在迭代過程中容易出現(xiàn)多個(gè)相同0/1數(shù)字串的問題, 從而導(dǎo)致“早熟”現(xiàn)象的出現(xiàn)。 因此在選擇過程中利用了免疫算法中基于適應(yīng)度和濃度的混合選擇機(jī)制, 由此需要先給出每個(gè)數(shù)字串的相似度和濃度的定義：

定義1 相似度： 在二進(jìn)制遺傳算法中, 兩個(gè)長(zhǎng)度為l的個(gè)體x=(x1,x2, …,xl),y=(y1,y2, …,yl),i=1～l之間的相似度定義為式(6)

(6)

定義2 濃度： 在二進(jìn)制遺傳算法中, 種群規(guī)模為n, 任意一個(gè)個(gè)體x的濃度定義為式(7)

(7)

式(7)中,Q(x,y)表示群體中和個(gè)體x之間的相似度大于閾值λ的個(gè)體的總數(shù), 實(shí)際計(jì)算時(shí)閾值λ=0.8。 顯然,s(x,y)∈[0, 1]越大, 個(gè)體(x,y)就越相似, 當(dāng)s(x,y)=1時(shí),x和y是相同的個(gè)體;c(x)越大表示群體中和個(gè)體x相似的個(gè)體越多。

設(shè)群體中個(gè)體為x1,x2, …,xn, 每個(gè)個(gè)體的適應(yīng)度為F(xi), 個(gè)體xi的濃度為c(xi)。 則基于適應(yīng)度和濃度的混合選擇機(jī)制步驟如下：

步驟1 分別計(jì)算群體中每個(gè)個(gè)體基于適應(yīng)度值的選擇概率, 見式(8)

(8)

每個(gè)個(gè)體基于濃度值的選擇概率, 見式(9)

(9)

步驟2 計(jì)算群體中每個(gè)個(gè)體基于適應(yīng)度值和濃度值的混合選擇概率

p(xi)=μ·ps(xi)+(1-μ)pc(xi)

(10)

式(10)中,μ∈[0, 1]為濃度和適應(yīng)度在選擇中的重要程度調(diào)節(jié)系數(shù), 實(shí)際設(shè)置μ=0.8。

步驟3 用p(xi)作為概率指導(dǎo)輪盤賭選擇并產(chǎn)生新個(gè)體。

1.7 經(jīng)典分類器算法

本研究對(duì)比了GA、 LGA分別嵌入兩種經(jīng)典機(jī)器學(xué)習(xí)分類器算法： 一對(duì)多支持向量機(jī)(OVR SVMs)、 隨機(jī)森林(RF)進(jìn)行波段篩選的效果, 以下是對(duì)2種經(jīng)典分類器算法的簡(jiǎn)要介紹：

(1)支持向量機(jī)(SVM)的主要思想是在特征空間中尋找間隔最大化的分離超平面以解決二分類問題, 一對(duì)多支持向量機(jī)(OVR SVMs)則是由多個(gè)二分類SVM組成, 以解決多分類問題。 本文中SVM的主要參數(shù)如下： C=1; gamma=1/1 868; kernel=‘poly’。

(2)隨機(jī)森林(RF)屬于集成學(xué)習(xí)方法, 采用多顆決策樹對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)。 通過Bootstrap技術(shù), 從原始訓(xùn)練集樣本集中有放回地重復(fù)隨機(jī)抽取k個(gè)樣本生成新的訓(xùn)練樣本集合, 根據(jù)樣本集生成若干個(gè)決策樹, 并且隨機(jī)組合得到隨機(jī)森林, 新數(shù)據(jù)的分類結(jié)果按決策樹投票多少形成的分?jǐn)?shù)而定。 RF的主要參數(shù)如下：n_estimators=238; max_depth=3。

1.8 機(jī)器學(xué)習(xí)算法構(gòu)建

所有算法代碼均由Pyuhon語言編寫, 使用的編譯器為Spyder, 其中SVM以及RF分類由Scikit_learn學(xué)習(xí)庫(kù)完成, GA、 LGA等其余部分均由作者自行編寫。 以O(shè)VR SVMs/RF種類識(shí)別分類模型為基礎(chǔ), 分別嵌入GA和LGA進(jìn)行潤(rùn)滑油樣品中紅外光譜特征波段篩選, 構(gòu)建了潤(rùn)滑油添加劑種類識(shí)別分類模型, 其工作流程見圖1。

圖1 經(jīng)典分類算法種類識(shí)別模型與GA/ESGA/LGA優(yōu)選波段嵌入過程流程圖

2 結(jié)果與討論

2.1 原始光譜數(shù)據(jù)預(yù)處理

圖2為經(jīng)預(yù)處理后的原始光譜圖像; 圖3為圖2中較易辨認(rèn)的各微小量添加劑的特征峰局部放大圖片。 其中(a)為T321的C-S振動(dòng)吸收峰; (b)、 (c)分別為T534的苯環(huán)對(duì)位雙取代烷基峰和苯環(huán)骨架震動(dòng)吸收峰; (d)為T307的P-N振動(dòng)吸收峰。

圖2 原始紅外光譜數(shù)據(jù)歸一化圖像

圖3 各添加劑特征峰及其位置

2.2 模型測(cè)試結(jié)果

按照?qǐng)D1中所示的流程, 分別采用原波段數(shù)據(jù)作為輸入, 獲得經(jīng)OVR SVMs+GA, RF+GA優(yōu)選的特征波段數(shù)據(jù); OVR SVMs+GA, RF+GA優(yōu)選的特征波段數(shù)據(jù), 導(dǎo)入各模型訓(xùn)練并測(cè)試, 多種類潤(rùn)滑油添加劑的同步識(shí)別結(jié)果見表2; 使用原始數(shù)據(jù)及各被選波段輸入各分類器的ROC曲線見圖3; 各模型的波段篩選結(jié)果見表3、 圖4。

圖4 各被選波段在不同分類器模型下的ROC曲線

表2 各模型對(duì)多種類潤(rùn)滑油添加劑的同步識(shí)別準(zhǔn)確率

表3 各算法模型波段篩選結(jié)果

圖4顯示, 在OVR SVMs分類器模型下, 嵌入GA優(yōu)選波段后ROC曲線的AUC值雖有略微下降, 但仍維持在0.92的較高值; 而嵌入LGA后ROC曲線的AUC值達(dá)到了0.97。 可認(rèn)為其具有較優(yōu)的分類效果。 在RF分類器模型下, 嵌入GA和LGA優(yōu)選波段后, 雖然AUC值都有小幅度下降, 但均大于0.97, 具有很好的分類效果。

圖5(a—d)顯示： 圖5(a)優(yōu)選波段中包括了代表T321的657 cm-1處的C-S-C振動(dòng); 圖5(d)還包含了T321在1 178 cm-1處的C-S振動(dòng); OVR SVMs+GA及RF+GA均選擇到了代表T534在1 500 cm-1附近的N-H伸縮振動(dòng), 且選擇到了在930～1 110 cm-1處代表T307的P-N振動(dòng); 圖5(c)優(yōu)選波段顯示OVR SVMs+LGA能有效縮短波段篩選的長(zhǎng)度, 但是篩選出的波段僅包含了位于930～1 110 cm-1處代表T307的P-N振動(dòng)以及位于1 178 cm-1處的代表T321的C-S振動(dòng), 并未選擇到代表T534的波段; 圖5(d)中RF+LGA優(yōu)選波段成功選取了代表全部三種添加劑的波段, 且選取波段的長(zhǎng)度為原長(zhǎng)度的36.7%。 其中, OVR SVMs+GA及RF+LGA優(yōu)選波段既包含了三種添加劑的特征峰, 又達(dá)到了100%的識(shí)別準(zhǔn)確率, 可認(rèn)為其成功同步識(shí)別三種潤(rùn)滑油添加劑, 且RF+LGA篩選波段的長(zhǎng)度更短, 為原波段長(zhǎng)度的36.7%; 而擁有更少特征點(diǎn)數(shù)的RF+GA及OVR SVMs+LGA并未選中代表T534的特征波段, 因此認(rèn)為該兩種模型雖然在算法上達(dá)到了識(shí)別準(zhǔn)確率100%, 但不能認(rèn)為其能成功識(shí)別三種添加劑。

圖5 嵌入GA優(yōu)選光譜特征波段的新模型測(cè)試結(jié)果

3 結(jié) 論

(1) 采用經(jīng)典的分類算法結(jié)合紅外光譜法能夠?qū)崿F(xiàn)對(duì)未知微小量多品種添加劑的同步種類識(shí)別, 不僅擺脫了傳統(tǒng)方法的一些弊端, 也有效地提高了模型識(shí)別效率和識(shí)別準(zhǔn)確率, 可以大大降低成本。

(2) 嵌入GA優(yōu)選技術(shù)對(duì)原始光譜全波段進(jìn)行特征區(qū)間篩選, 能夠快速剔除冗余的特征波段, 從而提升經(jīng)典分類算法的識(shí)別準(zhǔn)確率、 減少計(jì)算量、 縮短模型運(yùn)行時(shí)間。

(3) LGA作為GA的改進(jìn)算法, 提高了GA的全局搜索能力, 能有效防止GA在搜索中陷入局部最優(yōu), RF+LGA建立的種類識(shí)別模型不但種類識(shí)別準(zhǔn)確率達(dá)到了100%, 而且選出的波段與添加劑特征峰的對(duì)應(yīng)性最好, 且波段長(zhǎng)度僅為原波段長(zhǎng)度的36.7%。