我校信息与电气工程学院陈争光教授指导的2020级硕士研究生刘姝以第1作者，陈争光教授为通讯作者在中科院分区1区SCITOP( IF:6.757 )期刊《Computersand Electronics in Agriculture》发表了题为“Detectionof maize seed germination rate based on improved locally linearembedding”的研究论文。(https://doi.org/10.1016/j.compag.2022.107514IF:6.757 Q1 )
局部线性嵌入算法（LLE）是一种非线性降维方法，相比于线性降维方法有较大优势，但传统的LLE以欧氏距离作为距离度量，难以准确反映近红外光谱高维数据间的空间位置关系，从而造成建模效果不佳。本文尝试用不同的距离度量方法对LLE算法进行改进，提出一种基于改进局部线性嵌入和近红外光谱技术相结合的玉米种子发芽率快速预测方法。本文以种子市场购入7个不同类别的玉米种子，共计315个样本为研究对象，进行78个不同梯度的人工老化试验，采集近红外光谱数据后进行发芽率试验。使用蒙特卡洛交叉验证（MCCV）算法对光谱和发芽率数据进行异常样本剔除，而后采用传统LLE算法和不同改进策略（曼哈顿距离、切比雪夫距离、相关系数和余弦相似度）的LLE算法对光谱数据进行降维并分别建立PLS和SVM发芽率预测模型，比较不同模型的预测效果，探究LLE降维距离度量的最优改进策略。结果表明，在同种建模方法下，以余弦相似度为改进策略的模型最好，LLE_cos-PLS模型测试集决定系数R2可达0.8384，LLE_cos-SVM模型测试集决定系数R2可达0.8765。研究表明，余弦相似度更能体现老化玉米种子光谱数据中的空间分布情况，经LLE_cos降维后所建模型精度更高；相较于线性建模方法PLS，非线性建模方法SVM更适合对玉米种子发芽率进行预测。本文研究可为其他农产品质量检测提供一种新思路。
本研究得到了国家自然基金（41977202）、黑龙江八一农垦大学三纵支持计划（ZRCPY202214)）的资助。