近红外光谱的海水微塑料快速识别
文献类型：CNKI期刊论文
| 作者 | 吴雪; 冯巍巍; 蔡宗岐; 王清 |
| 发表日期 | 2022-11-07 |
| 出处 | 光谱学与光谱分析
 |
| 关键词 | 微塑料 近红外光谱 XGBoost SVM |
| 英文摘要 | 光谱技术与机器学习算法结合快速识别微塑料，为微塑料的现场检测提供了极大的技术支持，是一个得到极大关注的新领域。近红外光谱检测技术具有检测速度快、灵敏度高、不损坏样品，且可以在不对样品进行预处理的情况下直接检测等特点，在化学分析、质量检测等领域广泛应用。本文基于近红外光谱检测技术，研究比较了结合Support Vector Machine(SVM)和Extreme Gradient Boosting(XGBoost)两种机器学习分类算法，构建微塑料的高速有效识别分类模型。采用微型近红外光谱仪采集了20种常见的微塑料标准样品的光谱数据，为了防止过拟合，对每种样品多次采样，共收集了1 260个微塑料样本，每个样本包含512个数据点。利用XGBoost算法进行特征重要性排序，共提取了对识别准确率影响较大的65个数据点。分别采用SVM算法和XGBoost算法对数据降维后提取的65个数据点建立微塑料快速识别模型，并运用网格搜索(GridSearchCV)对XGBoost算法影响较大的超参数进行选取，确定n＿estimators, learning＿rate, min＿child＿weigh, max＿depth, gamma的最佳超参数分别为700, 0.07, 1, 1, 0.0。为了提高模型的稳定性，识别速率和泛化能力，对模型采用10折交叉验证和混淆矩阵评估；研究结果表明，XGBoost模型对微塑料的识别准确率为97%,而SVM模型对微塑料的识别准确率为95%; XGBoost模型对微塑料识别的正确率优于SVM模型。综上所述，XGBoost模型微塑料识别整体性能优于SVM模型，为实际微塑料快速识别提供技术支撑。 |
| 文献子类 | CNKI期刊论文 |
| 资助机构 | 国家重点研发计划项目(2019YFD0901101)资助 |
| 卷 | v.42期:11页:187-192 |
| 语种 | 中文; |
| 分类号 | X834;O657.33 |
| ISSN号 | 1000-0593 |
| 源URL | [http://ir.qdio.ac.cn/handle/337002/187286]  |
| 专题 | 中国科学院海洋研究所 |
| 作者单位 | 1.中国科学院大学 2.哈尔滨工业大学(威海) 3.中国科学院海岸带环境过程与生态修复重点实验室(烟台海岸带研究所) 4.中国科学院海洋大科学研究中心 |
| 推荐引用方式 GB/T 7714 | 吴雪,冯巍巍,蔡宗岐,等. 近红外光谱的海水微塑料快速识别. 2022. |
入库方式： OAI收割
来源：海洋研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。