为了建立更准确、高效的烟叶产地识别模型,提出了基于自适应遗传算法的修剪随机森林算法(AGARFP)。该算法根据种群的进化程度,适配不同的选择算子;然后利用改进的自适应遗传算法对随机森林进行修剪。实验选择5个产区的样本构建烟叶产地识别模型,以产地识别准确率作为算法优劣的衡量标准。实验结果表明,AGARFP分类准确率为94.67%,分类效果优于其他方法,从而证明了所提算法的有效性。

针对随机森林(RF)在高维空间特征选择过程中计算繁琐和内存开销大、分类准确率低等问题, 提出了基于二分搜索(BS)结合修剪随机森林(RFP)的特征选择算法(BSRFP); 该算法首先根据纯度基尼指数获取特征重要性评分, 删除重要性评分较低的特征, 然后利用BS算法结合基分类器差异性的修剪技术得到最优特征子集和最高分类准确率的分类器; 为了验证算法的有效性, 构建卷烟质量识别模型并与其他方法进行比较。结果表明: BS算法简化了特征搜索过程, RFP算法缩减了RF算法的规模; RFP算法的分类准确率可达96.47%; BSRFP算法选择出的特征相关性更强, 对卷烟质量识别具有更高的准确度。