计算机科学与探索

作者：杜师帅，邱天，李灵巧，胡锦泉，郑安兵，冯艳春，胡昌勤，杨辉华

单位：1. 北京邮电大学 自动化学院，北京 1008762. 北京理工大学 光电学院，北京 1000813. 桂林电子科技大学 电子工程与自动化学院，广西 桂林 5410044. 中国食品药品检定研究院，北京 100050

关键词：近红外光谱分析,自适应特征选择,多层梯度提升决策树,代价敏感学习

近红外光谱分析技术高效应用于药品分析领域。针对高维非线性的小规模近红外数据，传统的药品鉴别算法存在特征学习能力不足的缺陷，基于神经网络的方法有局部最优及过拟合等问题，且两者易忽略样本的不均衡性。针对以上劣势，提出一种基于特征选择与代价敏感学习的多层梯度提升树（CS_FGBDT）药品分类方法。首先采用Savitsky-Golay平滑和一阶导数对原始数据进行预处理；其次利用随机森林对预处理光谱自适应提取特征，并由多层梯度提升树进行特征映射；然后结合代价敏感学习机制将样本不均衡性的负效应降到最小。实验结果表明，在胶囊和药片两种不平衡数据集上对算法进行对比评估，该模型具有更高的预测精度和稳定性，是一种有效的药品鉴别方法。

来源：2020年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2020年第2期