ПОСТРОЕНИЕ МОДЕЛИ КЛАССИФИКАЦИИ ЗЕРНОВЫХ СЫПУЧИХ ВЕЩЕСТВ ПО СПЕКТРАМ ДИФФУЗНОГО ОТРАЖЕНИЯ В БЛИЖНЕЙ ИНФРАКРАСНОЙ ОБЛАСТИ НА ПРИМЕРЕ ЛОГИСТИЧЕСКОЙ РЕГРЕССИИ

Экспериментально получено подтверждение возможности определения зерновой культуры, имеющей различный помол, по спектру диффузного отражения. В качестве признаков, описывающих спектры диффузного отражения пшеницы и овса различных помола и влажности в ближнем ИК диапазоне, использованы комбинации оптических плотностей и их вторых производных для длин волн 1200, 1422, 1778, 1916 и 2114 нм. На примере логистической регрессии построено 20 моделей классификации по двум признакам: 10 моделей для оптической плотности и 10 моделей для второй производной от оптической плотности, соответствующих выбранным длинам волн. Наилучшие результаты классификации получены с помощью алгоритма, использующего в качестве признаков значения второй производной от оптической плотности на l = 1778 и 2114 нм.

диффузное отражение, инфракрасная спектроскопия, логистическая регрессия, машинное обучение, diffuse reflection, infrared spectroscopy, logistic regression, machine learning

1. В. П. Крищенко. Ближняя инфракрасная спектроскопия, Москва, Кронн-пресс (1997)

2. Е. С. Воропай, В. Г. Белкин, С. В. Проценко, К. В. Говорун, Е. А. Колова. Вестн. Бел. гос. ун-та, Сер. 1. Физ. мат. информ., № 1 (2016) 16-20

3. В. Г. Белкин, С. В. Проценко. Вестн. Бел. гос. ун-та. Сер. 1. Физ. Мат. Информ., № 3 (2014) 22-25

4. С. В. Проценко, Е. С. Воропай, В. Г. Белкин. Журн. прикл. спектр., 84, № 6 (2017) 1009-1012 [S. V. Protsenko, E. S. Voropai, V. G. Belkin. J. Appl. Spectr., 84 (2017) 1081-1083]

5. С. В. Проценко, Е. С. Воропай, В. Г. Белкин. Материалы междунар. науч.-техн. конф. “Материалы, оборудование и энергосберегающие технологии”, Могилев, 27 апреля 2017 г., БРУ (2017) 43-45

6. С. В. Проценко, В. Г. Белкин. Материалы XXIV междунар. науч.-практ. конф. аспирантов, магистрантов и студентов “Физика конденсированного состояния”, Гродно, 21 апреля 2016 г., ГрГУ (2016) 174-176

7. D. W. Hosmer Jr, S. Lemeshow, R. X. Sturdivant. Applied Logistic Regression, 398, John Wiley & Sons (2013)

8. S. Menard. Applied Logistic Regression Analysis, 106, Sage (2002)

9. E. Alpaydin. Introduction to Machine Learning, MIT press (2009)