TY  - JOUR
T1  - КЛАССИФИКАЦИЯ ВИДОВ ДЕРЕВЬЕВ НА УРОВНЕ ЛИСТЬЕВ НА ОСНОВЕ ТЕХНОЛОГИИ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ
JF  - Журнал прикладной спектроскопии
AU  - Yang R. , 
AU  - Kan J. , 
Y1  - 2020-03-14
UR  - https://www.academjournals.by/publication/15839
N2  - Технология гиперспектральной визуализации использована для идентификации восьми пород деревьев на уровне отдельных листьев. Для выбора характерных спектральных полос использованы алгоритм последовательных проекций (SPA), коэффициент усиления информации (IG) и индекс Джини (Gini). Алгоритм оптимизации роя бинарных частиц (BPSO) применен для оптимизации набора характерных полос, выбранных с помощью SPA, IG и Gini. Машинное обучение для оптимизации роя бинарных частиц (PSO-ELM), линейные модели байесовского нормального классификатора (LBNC) и k-ближайшего соседа (KNN) для пород деревьев созданы на основе всех спектральных диапазонов, характерных полос и оптимизированных характерных полос соответственно. Показатели 175-2 распознавания моделями PSO-ELM, LBNC и KNN на основе всех спектральных диапазонов составляют 98.45, 99.10 и 83.67% соответственно. Методы SPA, IG и Gini позволяют эффективно выбирать спектральные полосы для различения пород деревьев и значительно уменьшать размерность необходимых для распознавания спектральных данных. Результаты распознавания моделями, основанными на характерных полосах, выбранных Gini, лучшие, а показатели распознавания моделями PSO-ELM, LBNC и KNN достигали 97.55, 96.53 и 80.5% соответственно. BPSO-SPA, BPSO-IG и BPSO-Gini дополнительно уменьшaют размерность спектральных данных, не снижая точности распознавания. Модели, созданные на основе оптимизированных характерных полос, выбранных с помощью BPSO-Gini, показывают наилучший результат распознавания, а показатели распознавания моделями PSO-ELM, LBNC и KNN составили 96.53, 96.68 и 81.05% соответственно. В целом показатели распознавания модели PSO-ELM лучше, чем моделей LBNC и KNN.