作者:魏曼曼; 路皓翔; 杨辉华拉曼光谱随机森林adaboost算法集成学习血液种属鉴别
摘要:针对人类和非人类血液种属鉴别对无损、高效分析方法的需求,结合随机森林(Random Forest)和AdaBoost(Adaptive Boosting Algorithm)算法,提出了一种血液种属鉴别方法(RF_AdaBoost).该方法将RF作为AdaBoost的弱分类器,以达到提高模型鉴别准确度,增强模型鲁棒性的目的.采用RF、支持向量机(SVM)、极限学习机(ELM)、核极限学习机(KELM)、堆栈自编码网络(SAE)、反向传播网络(BP)、主成分分析⁃线性判别法(PCA⁃LDA)及偏最小二乘判别分析(PLS⁃DA)与RF_AdaBoost模型进行对比,以不同规模血液拉曼光谱数据训练集进行鉴别实验评估其性能.结果表明,随着训练样本的增加,RF_AdaBoost鉴别准确度最高达100%,预测标准偏差趋于0.与其它模型相比,RF_AdaBoost具有较高的分类准确度及较强的稳定性,为血液种属的鉴别工作提供了新方法.
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社