基于RF＿AdaBoost模型的血液种属鉴别算法

作者：魏曼曼; 路皓翔; 杨辉华^*

来源：高等学校化学学报, 2020, 41(01): 94-101.

• 拉曼光谱
• 随机森林
• AdaBoost算法
• 集成学习
• 血液种属鉴别

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Ada Boost(Adaptive Boosting Algorithm)算法,提出了一种血液种属鉴别方法(RFAdaBoost).该方法将RF作为Ada Boost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RFAdaBoost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,RFAdaBoost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,RFAdaBoost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.

• 单位
  自动化学院; 北京邮电大学; 桂林电子科技大学