基于决策树算法的复合包装膜袋材质鉴别

发布时间：2021-11-09 23:24

　　目的为探索机器学习算法利用检验大数据快速鉴别复合包装膜袋材质的可行性。方法以不同复合层数、不同功能层材质、不同食品接触层材质的10种复合包装膜袋共计1333个样本作为数据集,将韧性向拉伸强度、刚性向拉伸强度、韧性向断裂标称应变、刚性向断裂标称应变、水蒸气透过率、氧气透过率、厚度等7个维度的性能测试数据作为特征值,利用人工智能机器学习算法进行复合包装膜袋材质鉴别。结果综合比较决策树、逻辑回归、支持向量机、K近邻、神经网络、高斯朴素贝叶斯等6种学习算法后,发现决策树算法的准确率和kappa系数最高,运行速度也很快。经参数优化后,决策树算法的鉴别结果准确率为95.4%,kappa系数为93.2%。结论决策树算法在复合包装膜袋材质鉴别中具有一定优势。 

【文章来源】：包装工程. 2020,41(21)北大核心

【文章页数】：10 页

【部分图文】：

决策树示意

由于7个维度的特征无法直接同时展示，因此将各特征值两两配对，绘制各种材质结构的特征相关性分布图，见图2—8。从图2—8可以看出，某些材质结构在部分特征上能够产生较好的聚类，但单纯考察任意2种特征均无法对10种材质结构进行精确分类。由于传统的数据分析方法基本无法直接处理3个维度以上的特征归纳，因此只有利用人工智能强大的运算能力对7个维度特征同时进行分析，才能实现数据分类。

利用Python程序语言将决策树算法代码化后，以训练-验证集的特征和标签来训练模型，以测试集来评估模型的优劣，评估指标为模型在测试集上的准确率（accuracy）、kappa系数和运算时间。图4 10种复合包装膜袋材质结构的韧性向断裂标称应变对其他特征的相关性分布

【参考文献】：
期刊论文
[1]基于改进加权KNN算法的室内无线电发射源定位研究[J]. 杜太行,孟岩,孙曙光,江春冬,田朋.  中国测试. 2019(09)
[2]基于机器学习的雷电预报研究[J]. 崔月生,胡曦.  国外电子测量技术. 2019(06)
[3]基于BEMD与随机森林算法的HIFU治疗无损测温方法[J]. 郭燕,丁亚军,钱盛友,陈兴.  测试技术学报. 2018(06)
[4]ICP-AES结合主成分分析和决策树模型的四种品牌白酒鉴别方法研究[J]. 郑劼,吴文林,万渝平,梁恒兴,肖全伟,朱霞萍.  食品工业科技. 2016(24)
[5]多层共挤薄膜材质简易识别方法[J]. 金伟.  塑料包装. 2012(06)
[6]数据挖掘中决策树分类算法的研究[J]. 李如平.  东华理工大学学报(自然科学版). 2010(02)
[7]聚合物复合膜的红外显微成像分析[J]. 柳洪超,尤瑜生,吴立军.  工程塑料应用. 2010(03)
[8]支持向量机在电机转子故障诊断识别中的应用[J]. 赵四化,王琪.  中国测试. 2009(03)
[9]基于支持向量机模型的环境音分类研究[J]. 张小梅,杨鼎才.  电子测量技术. 2008(09)
[10]支持向量回归建立成品汽油通用近红外校正模型的研究[J]. 褚小立,许育鹏,陆婉珍.  分析测试学报. 2008(06)



本文编号：3486102