基于随机森林算法的底栖动物高光谱数据分类方法研究

摘要

旨在实现对海洋牧场水下底栖动物的原位识别,使用随机森林算法实现识别分类检测,对目标生物进行分类识别分析,深入挖掘数据,提高工作效率和决策可靠性。利用研发的水下高光谱成像分析仪,在不同的水下环境中通过获取五种海洋牧场常见经济动物(虾夷扇贝、栉孔扇贝、脉红螺、皱纹盘鲍、仿刺参)的高光谱数据,归一化处理后运用机器学习中的随机森林(RF)、基于主成分分析的随机森林(PCA-RF)、基于递归特征消除的随机森林(RFE-RF)三种随机森林算法对五种底栖动物进行分类识别以及对比分析。通过RF的变量重要性排序,筛选出排名较高,对模型贡献度高的波段所对应的反射谱强度数据,再将排名靠前的特征波段数据输入分类器中,通过优化参数,得到分类准确度。将数据的分类结果输出混淆矩阵,可以看到五种样品的识别情况。脉红螺样品识别精度最低,为64%;仿刺参与栉孔扇贝的识别精度最高,达到了100%;虾夷扇贝与皱纹盘鲍的识别精度分别为91%与96%。三种方法最终得到的分类精度分别为:RF 90.13%;PCA-RF 95.20%;RFE-RF 98.74%,达到了较为理想的分类效果,体现了随机森林算法运用在水下高光谱数据分类研究的可行性。