Preview

Журнал прикладной спектроскопии

Расширенный поиск

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

Аннотация

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.

Об авторах

С. В. Проценко
Белорусский государственный университет
Россия


В. С. Мишурная
Белорусский государственный университет
Россия


Е. С. Воропай
Белорусский государственный университет
Россия


Список литературы

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)


Рецензия

Для цитирования:


Проценко С.В., Мишурная В.С., Воропай Е.С. ПОСТРОЕНИЕ МОДЕЛИ КЛАССИФИКАЦИИ ЗЕРНОВЫХ СЫПУЧИХ ВЕЩЕСТВ ПО СПЕКТРАМ ДИФФУЗНОГО ОТРАЖЕНИЯ В БЛИЖНЕЙ ИНФРАКРАСНОЙ ОБЛАСТИ НА ПРИМЕРЕ ЛОГИСТИЧЕСКОЙ РЕГРЕССИИ. Журнал прикладной спектроскопии. 2019;86(1):122-127.

For citation:


Protsenko S.V., Mishurnaya V.S., Voropai E.S. BUILDING A MODEL FOR CLASSIFICATION OF GRAIN BULK PRODUCTS BY DIFFUSE REFLECTION SPECTRA IN THE NEAR INFRARED REGION ON THE EXAMPLE OF LOGISTIC REGRESSION. Zhurnal Prikladnoii Spektroskopii. 2019;86(1):122-127. (In Russ.)

Просмотров: 212


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0514-7506 (Print)