基于混合机器学习法的太赫兹波鉴别草种的研究

摘要

利用太赫兹时域光谱技术对黄耆类牧草种子样品进行测试,得到5种常见沙打旺牧草种子在0.2~1.2 THz有效频率范围内的太赫兹时域谱,然后通过快速傅里叶变换得到了各牧草种子样品的吸收系数、折射率等光学参数。研究后发现:在有效频率范围内,样品时域谱的峰值强度和延迟时间均不同,且每条谱线的平均吸收系数和标准差也有明显差异,各样品的平均折射率也有较大差异。同时,本文提出了一种将主成分分析(PCA)与随机森林(RF)机器学习算法相结合的优化实验数据的混合模型PCA-RF,并基于太赫兹折射率谱,采用PCA-RF模型和RF模型对5种牧草种子的200个数据集进行了统计计算。结果表明:混合模型PCA-RF的平均分类准确率为91.20%;与RF模型相比,不管是总的平均分类准确率,还是每种样品的分类准确率,PCA-RF模型都优于RF模型。研究结果表明,太赫兹时域光谱技术结合混合机器学习算法的PCA-RF模型是一种无损鉴定牧草种子真伪的有效手段,可用于鉴别同族且差异较小的牧草品种。