联盟博弈与极限学习机结合的棉花异性纤维识别新方法

"这篇研究论文探讨了一种基于联盟博弈和极限学习机的棉花异性纤维识别方法，旨在提高非棉纤维在棉花中的检测准确性。通过联盟博弈优化特征选择，选取最优特征集，然后利用极限学习机进行识别，实验结果显示该方法在识别准确率上优于支持向量机和k近邻法，并能减少特征数量。" 本文是关于棉花异性纤维识别的科研成果，主要关注在棉花处理流程中如何有效地识别并区分非棉纤维。异性纤维的存在会降低棉花的质量，因此，快速准确地检测这些外来纤维至关重要。作者提出了一种创新的方法，结合了联盟博弈理论和极限学习机（ELM）的技术。 首先，联盟博弈理论在此处被用作特征选择的工具。在大量的原始特征中，通过联盟博弈分析各个特征之间的相互作用和合作价值，筛选出对识别任务最有贡献的特征子集。这种方法有助于降低特征冗余，提高识别效率，同时减少计算复杂度。 接下来，选用极限学习机作为分类器。极限学习机是一种快速、高效的机器学习算法，特别适用于大规模数据集。它通过随机初始化隐藏层权重，然后仅调整输出层权重来训练网络，大大减少了训练时间。在本研究中，极限学习机被用于对选定的特征进行学习和分类，以实现棉花异性纤维的识别。 为了验证所提方法的有效性，研究人员将其与传统的支持向量机（SVM）和k近邻法（KNN）进行了比较。实验结果显示，基于联盟博弈和极限学习机的方法在识别准确率上达到了90.15%，而SVM和KNN分别为88.46%和86.30%。这表明，新方法在保持高识别准确率的同时，还能够减少特征数量，从75个特征减少到25个，这对于实际应用来说是一个显著的改进，意味着更少的计算资源需求和更高的处理速度。 关键词强调了本文的核心内容，包括棉花异性纤维识别、特征选择和极限学习机。中图分类号TP271表示这属于信息技术和计算机科学领域，文献标志码A则表明这是一篇原创性的学术研究文章。 这项工作为棉花异性纤维的自动检测提供了一种新的有效策略，通过优化特征选择和利用高效的学习机制，提高了识别的准确性和效率，对于棉纺织业的质量控制具有重要意义。