基于多元經驗模態分解的可見/近紅外光譜識別木材研究

付立巖 馮國紅 劉旭銘

摘 要：基于可見/近紅外光譜技術探究一種快速、準確的木材識別方法。以8種進口木材為研究對象，運用多元經驗模態分解（MEMD）和最大互信息系數（MIC）的方法對采集的光譜數據進行分解、篩選和重構，進而利用連續投影法（SPA）進行特征波段提取，再結合XGBoost分類器進行分類識別。為進一步驗證該方法的可行性，將提出的木材識別方法分別與經驗模態分解（EMD）算法和傳統的支持向量機（SVM）、K近鄰分類算法（KNN）、BP神經網絡（Back Propagation Neuron NetWok）分類器進行對比分析。結果表明，MEMD方法對可見/近紅外光譜去噪效果優于EMD去噪方法；MEMD-SPA-XGBoost相比MEMD-SPA-SVM的識別準確率為90%、MEMD-SPA-KNN的88%、MEMD-SPA-BP的89.2%，平均識別準確率達到了96.5%。可見，該方法在木材識別方法中具有很好的應用前景。

關鍵詞：可見/近紅外光譜；木材識別；多元經驗模態分解；連續投影法；XGBoost

中圖分類號：S781.1??? 文獻標識碼：A?? 文章編號：1006-8023（2023）04-0101-09

Wood Recognition by Visible/Near Infrared Spectroscopy Based on

Multivariate Empirical Mode Decomposition

FU Liyan， FENG Guohong*， LIU Xuming

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：A fast and accurate wood identification method based on visible/near infrared spectroscopy was explored. Taking 8 kinds of imported wood as the research object， multivariate empirical mode decomposition （MEMD） and maximum mutual information coefficient （MIC） were used to decompose， screen and reconstruct the collected spectral data， and then the continuous projection method （SPA） was used to extract the feature bands， and combined with XGBoost classifier for classification and recognition. In order to further verify the feasibility of the proposed method， the wood recognition method was compared with empirical mode decomposition （EMD） algorithm， traditional support vector machine （SVM）， K-nearest neighbor classification algorithm （KNN） and BP Neural network （Back Propagation Neural Network） classifier. The results showed that MEMD method was better than EMD method for visible/near infrared spectrum denoising. Compared with 90% of MEMD-SPA-SVM， 88% of MEMD-SPA-KNN and 89.2% of MEMD-SPA-BP， the average recognition accuracy of MEMD-SPA-XGBoost reached 96.5%. It can be seen that this method has a good application prospect in wood identification method.

Keywords：Visible/near-infrared spectrum; wood identification; multivariate empirical mode decomposition; continuous projection method; XGBoost

收稿日期：2022-11-27

基金項目：中央高校基本科研業務費專項資金項目（2572020BL01）；黑龍江省自然科學基金資助項目（LH2020C050）

第一作者簡介：付立巖，碩士研究生。研究方向為木材種類識別研究。E-mail： 1139967801@qq.com

通信作者：馮國紅，博士，副教授。研究方向為木材種類識別。E-mail： fgh_1980@126.com

引文格式：付立巖，馮國紅，劉旭銘. 基于多元經驗模態分解的可見/近紅外光譜識別木材研究[J]. 森林工程， 2022，39（4）：101-109.

FU L Y， FENG G H， LIU X M. Wood recognition by visible/near infrared spectroscopy based on multivariate empirical mode decomposition[J]. Forest Engineering， 2023， 39（4）：101-109.

0 引言

近幾年國家為保護森林資源，全面禁伐，導致我國木材產量難以滿足市場需求，需從國外大量進口木材[1]。然而進口木材種類繁多，難以辨別，以次充好的事情屢見不鮮，如何高效、準確地識別進口木材變得十分有意義。傳統木材識別主要依靠專家觀察、DNA法和計算機圖像法等[2-4]。但這些方法常常需要對樣本進行切片等操作，普適性不高且周期長，易造成浪費，甚至降低珍貴進口木材的價值。

光譜法是一種無損檢測方法，具有高效、便捷和無污染等優點[5]，近幾年，已成為木材識別領域的研究熱點。汪紫陽等[6]基于可見/近紅外光譜對生長在東北地區的多種木材進行了有效識別。明曼曼等[7]運用近紅外光譜技術結合優化后的BP神經網絡對木材進行了識別，識別效果最高可達到95.33%。在應用光譜法進行木材識別研究中，由于光譜數據采集的過程中存在很多不可控因素，往往會產生影響識別結果的無用信息，因此需采用一定的預處理方法進行降噪。目前常采用的光譜預處理方法主要有導數處理、多元散射校正[8]等，多元經驗模態分解（MEMD）針對信號去噪具有良好的效果，在生物醫學、故障診斷等領域得到了非常廣泛的應用[9-10]，但在木材識別領域未見相關報道。同時，應用光譜法識別木材時，目前多采用支持向量機（SVM）、BP神經網絡（Back Propagation Neuron NetWok）等[11-14]傳統算法研究分類問題，這些算法在處理多分類問題中易過擬合，陷入局部最優，通常還需要結合其他方法彌補自身缺點。XGBoost （Extreme Gradient Boosting）是一種梯度提升算法，在機器學習領域有著廣泛的應用，在處理大規模數據集時速度快、效果好，相比傳統模型魯棒性更強，一般不需要精細調整便能取得很好的結果。

本研究基于MEMD和XGBoost對木材識別進行了研究。以8種進口木材為研究對象，應用可見/近紅外光譜建立進口木材識別模型。首先運用MEMD和最大互信息系數（MIC）的方法對采集的光譜數據進行分解、篩選和重構，進而利用連續投影法（SPA）進行特征波段提取，再結合XGBoost分類器對進口木材進行識別，以期為可見/近紅外進口木材識別方法提供新的參考。

1 實驗與方法

1.1 儀器設備和數據采集

儀器設備：美國ASD公司的LabSpec 5000光譜儀，采用Indico Pro Version 3.1軟件采集波長為350～2 500 nm的可見/近紅外光譜數據。

數據采集：本次試驗選擇大果紫檀（Pterocarpus macrocarpus Kurz）、檀香紫檀（Pterocarpus santalinus L.f）、血檀（Pterocarpus tinctorius Welw）、巴里黃檀（Dalbergia bariensis Pierre）、破布木（Cordia dichotoma Forst.）、中美洲黃檀（Dalbergia granadillo Pittier）、刺猬紫檀（Pterocarpus erinaceus Poir）和紅檀香（Myroxylon balsamu）共8種進口木材作為實驗對象，每種木材樣本大小為6 cm×4 cm×2 cm的木塊，每一類木材制作5個樣本，分別用數字1—5進行標號，共計40個樣本塊。把每個木塊橫向2等分，縱向5等分，取等分線交點為采樣點，這樣一個木塊取10組實驗數據，8種木材共采集400組實驗數據。

1.2 多元經驗模態分解

MEMD是在經驗模態分解（EMD）基礎上作了進一步擴展的方法[15]。其原理是將原始數據映射到不同方向向量上，形成實值投影數據的多元包絡，通過計算多元包絡的均值來獲取原始信號的局域均值，具體方法如下。

1）在（n-1）維的球面上利用Hammersley序列采樣法均勻采樣，得到K組方向向量。

2）設輸入信號（v（t））Tt=1={v1（t），v2（t），…，vn（t）}，時刻為t，通道數為n，信號長度為T， xθk=（xk1，xk2，…，xkn）是對應在（n-1）維球面中方向角θk={θk1，θk2，…，θkn-1}的方向向量集。

3）計算（v（t））Tt=1在K組方向向量xθk上的映射集{pθk（t）}Kk=1，其中投影集為p，方向角為θk，時刻為t，量測組數為K。

4）求得映射集｛pθk（t）}Kk=1極值對應的時間點｛tθki｝，其中時間點為t，極值點序號為i，方向角為θk。

5）對tθki，v（tθki）進行多元樣條插值，獲取包絡曲線eθk（t）Kk=1。

6）計算整組方向向量包絡曲線的均值m（t），見式（1），其中K表示量測方向向量組數，eθk（t）為第k個包絡線值。

m（t）=1k∑Kk=1eθk（t） 。（1）

7）按照d（t）=v（t）-m（t）獲得信號剩余量d（t），如果d（t）上包絡和下包絡的均值近似等于零或者滿足特定準則，則判定其是一個本征模態函數，否則返回第二步重新計算。

采用多元經驗模態分解對輸入信號v（t）進行分解，得到M個不同頻率的IMF（IMF為復雜數據分解的本征模態函數，代表著原始數據的局部特征，一般由高頻到低頻依次排列），見式（2）

v（t）=∑Mm=1Cm-（t）+r-（t）。 （2）

式中：Cm-（t）為第m個IMF；r-（t）為分解殘差。

1.3 最大互信息系數法

最大互信息系數（MIC）是一種度量數據之間關聯程度的方法，相比常用的互信息（MI）方法，具有更高的精準度和魯棒性。假設隨機變量X、Y，則其MIC的主要計算步驟如下。

1）給定a、b，對X、Y構成的散點圖進行a列b行網格劃分，計算出最大互信息值。

2）把最大互信息值進行歸一化處理，轉變到（0，1）之間。

3）選擇不同尺度下互信息的值作為MIC（公式中用MIC）的結果，見式（3）

MIC（x;y）=maxab

式中：B為數據總量的0.6次方，是網格劃分總數的約束條數；I（x;y）為求得的互信息。

1.4 SPA特征提取方法

SPA是一種前向特征變量選擇方法，把波長投影到其余波長上，通過對向量的投影分析，從全波段光譜數據中剔除了大量不相關波段，選擇出具有最小共線性的波長作為分類器的輸入集，降低了數據的維度，起到了簡化模型的作用，提高了模型的預測精度和效率[16]。

1.5 XGBoost分類算法原理

XGBoost是一種極限梯度提升算法。該算法主要通過模型集成的方式將多個弱學習器組合成一個強學習器。其基本思想是以損失函數的二階泰勒展開作為其替代函數，求其最小化來確定回歸樹的最佳分割點和葉子節點輸出數值。

XGBoost是在前向步進算法下的多個弱學習器組成的加法模型，見式（4）

yi=∑Nn=1fn（xi），fn（xi）∈R。 （4）

式中：N表示樹的數量；yi表示樣本i的預測分類值；fn表示預測分類樹函數，xi為樣本i輸入特征值，R為實數域。

由此建立該模型的目標函數（Obj，公式中用Obj表示），主要由損失函數和正則項函數組成，見式（5）

Obj=∑Ni=1L（f（xi;θ），yi）+Ω（fn）。 （5）

式中：θ表示超參數；損失函數∑Ni=1L（f（xi;θ），yi）表示真實值與預測值之間的差值，描述模型擬合數據的程度；N表示樹的數量；正則項函數Ω（fn）表示對模型復雜度施加的懲罰值；fn表示預測分類樹函數。首先通過貪心算法尋找局部最優解，再對目標函數（5）進行二階泰勒展開，根據數據集的特點，引入本研究樹的復雜度Ω（fn）表示，見式（6）

Ω（fn）=γD+12λ∑Dd=1w2d 。（6）

式中：γ為樹復雜度系數；λ為正則項系數，用于權衡正則項與原損失函數項的比重；D為樹中的葉子節點數目，wd表示給出每個對應的葉子節點d的葉子分數。最終得到優化后目標函數的，見式（7）

Obj（d）=-12∑Dj=1（G2jHj+λ）+γD 。（7）

式中：Gj為誤差函數一階導數的葉子節點j樣本集合下求和；Hj為損失函二階導數的葉子節點j樣本集合下求和；γ為樹復雜度系數。

2 結果與分析

2.1 原始光譜數據分析

運用LabSpec5000光譜儀對8種進口木材進行光譜采集，為了更加直觀地分析，提取一組原始光譜數據進行分析（圖1），其中大果紫檀、檀香紫檀、巴里黃檀相比其余5種木材強度數值過小，其光譜圖像與x軸基本重合。由圖1可以看出，血檀、破布木和中美洲黃檀在1 700～1 800 nm范圍數據基本重合，特別是在1 800～1 835nm范圍內5種木材的光譜數據完全重疊在一起，相反，5種木材數據在1 200～1 350 mm及1 400～1 460 nm范圍內數據相互干擾小，尤其是刺猬紫檀、紅檀香和血檀存在明顯差異。除此之外，在1 000、1 250～1 380、1 500～2 400 nm范圍內特別是在后半段，數據存在大量毛刺。

2.2 多元經驗模態分解及篩選結果

2.2.1 分解結果

從圖1可知采集的原始光譜數據都存在一定的隨機噪聲等無用信息。因此，本研究采用MEMD對其進行降噪，將原始光譜數據分解成一定數量的本征模態函數，由于數據過多，在此僅展示大果紫檀的部分數據，分解結果如圖2所示。由圖2可以看出，MEMD把大果紫檀的原始光譜數據分解成10個IMF和1個殘余分量（Residual，Res），并且分解出的每個IMF其振幅都不相同。同時，噪聲在可見/近紅外光譜數據中多表現為頻率高且隨機性大的特點，針對這一特點，為了更加便于觀察和分析，將分解后的IMF繪制成頻譜圖，結果如圖3所示。

由圖3可以看出，IMF1-IMF10頻率呈下降趨勢，其中IMF1—IMF5比其余5個IMF頻率要高出很多，存在頻率較高，且具有較大的隨機性，可能存在大量的白噪聲等無用信息。為了防止數據存在偶然性，造成這種下降趨勢，對全部分解數據進行頻譜圖的繪制，部分結果見表1。由表1可以看出，8種進口木材分解的IMF平均頻率與上述分析結果相同，排除了偶然現象。

2.2.2篩選結果

對木材的光譜數據進行MEMD分解之后，由于不同層次的IMF包含的有用信息也各不相同，因此選擇合適的方法對IMF進行篩選，剔除盡可能多的無用信息，可以有效提高識別模型的準確性。

由參考文獻可知[17-19]，MIC的大小與包含有用信息的多少呈正相關。根據這個結論本研究通過計算IMF與原始數據之間的最大互信息數進行IMF的篩選，其中一組數據的MIC計算結果見表2。

由表2可知，隨著IMF頻率由高到低的變化，IMF與原始數據的MIC呈現一種上升趨勢，這也驗證了2.2.1的分析結果，高頻部分的IMF往往包含更多干擾信息，所以IMF1—IMF5得到MIC結果偏小。為了在剔除高頻噪聲的同時保留更多的特征信息，此處選擇MIC中間值0.5作為IMF的篩選閾值。

對篩選出的IMF進行數據重構，圖4展示了大果紫檀IMF6—IMF10加殘余數據重構的光譜圖像。由圖4可以看出，重構后的光譜比原始光譜變得更加平滑，消除了大量的隨機噪聲，信噪比得以大幅提高。

2.3 連續投影法特征提取結果

運用SPA對木材進行特征波長的提取時，起始波段和特征值個數設置的不同會對識別效果產生影響，本研究對起始波段和特征波長個數的選取主要參考欒景然等[20]應用連續投影算法在木材識別方面研究得出的結論，即以吸收峰為起始波段，特征波長個數設置為9個。關于起始波段的選擇，結合2.1對原始光譜的分析，選取8種進口木材對1 200～1 350 nm范圍內的較為明顯的吸收峰進行分析，以吸收峰為中間點，前后各取30個數據點作為特征波段（每個波段均取61個數據點），8種進口木材的吸收峰區間見表3。由表3可以看出，8種進口木材選取的特征波段有相交部分，選取重疊部分1 238～1 264 nm波段的中間值1 251 nm作為SPA特征提取的起始波段。最終獲得的特征波長見表4。

2.4 MEMD-SPA-XGBoost模型分類結果

2.4.1 參數調優

XGBoost的參數較多，一共可以分為3類：通用參數、Booster參數以及學習目標參數（表5）。其中，通用參數主要是booster，該參數主要用來選擇迭代模型，本研究選擇gbtree（樹模型）；Booster參數選擇tree booster（樹參數），首先為了增加模型的魯棒性，對木材樣本subsample和波長特征colsample_bytree按比例進行采樣，減小這2個參數的值，算法會更加保守，可以避免過擬合。但是，如果這個值設置得過小，可能會導致欠擬合，經過反復測試，選擇木材樣本采樣比為0.5，波長特征采樣比0.9，將學習率learning_rate從默認數值0.3調整至0.28到達擬合效果最佳。采樣后需要對最大樹深度max_depth進行調整，為了避免過擬合，采用交叉驗證函數調優，得到最終的最優樹深度為4。在設置弱分類器數目時使用sklearn的 GridSearchCV 方法進行尋優，得到數值177。同時設置boosting的迭代計算次數為10次；最后調整學習目標參數，其中objective用于定義需要被最小化的損失函數，本研究木材分類問題共需要對8種木材進行分類，因此，選用multi：softmax多分類器，同時設置num_class（類別數目）為8。上述參數設置詳見表5。

2.4.2 分類結果

本研究將8種進口木材分別用數字進行標識：0代表巴里黃檀，1代表大果紫檀，2代表紅檀香，3代表中美洲黃檀，4代表刺猬紫檀，5代表破布木，6代表檀香紫檀，7代表血檀，模型最終以0—7作為輸出結果。

根據表5設置XGBoost的相關參數，將本文的400份樣本，按照9∶1的比例隨機產生訓練集和測試集，在模型訓練優化后，對測試集進行10次隨機分類測試，結果見表6。由表6可以看出，10次測試的平均識別準確率為96.50%，最高可達到100%。同時，繪制每次測試得到的混淆矩陣，部分結果見表7。由表7可以看出，對角線上的數值代表分類正確的個數，除第2類測試樣本出現1個分類錯誤，其余測試樣本類別均能被正確識別，分類效果好。

2.5 對比分析

2.5.1 與經驗模態分解方法的對比

EMD和MEMD其基本原理存在一定的相似性，MEMD是以EMD為基礎擴展而來[21-23]，為了驗證MEMD方法相比EMD的優越性。本節研究過程同2.2、2.3、2.4，采用EMD對光譜數據進行預處理，同時為了進一步驗證MIC篩選閾值設定的大小對分類結果的影響，由表2可以看出，高頻部分的前4個IMF求得的MIC結果主要集中在0.2～0.3，為此設定篩選閾值為0.3與本文選擇的0.5進行對比分析，最終結果見表8。由表8可以看出，采用EMD預處理的分類模型準確率最高為87.5%，而采用MEMD方法的分類準確率最低可達到92.5%。除此之外MIC篩選閾值設定為0.5得到的結果要比0.3好很多，最高可以達到96.5%分類準確率。因此可以證實MEMD相較EMD而言更優，同時，當篩選閾值設定為0.5時，MEMD-SPA-XGBoost的分類效果最佳。

2.5.2 與傳統分類器的對比

傳統的分類器在木材識別領域應用十分廣泛，一直在被眾多學者不斷的創新。但是，在處理木材的種類較多時還是需要借助其他算法，識別準確率也很難保證。為了驗證本研究提出的分類模型相比傳統分類模型的優越性，在MEMD及SPA的相同處理下，對比了XGBoost和BP神經網絡、支持向量機、K近鄰分類算法的分類效果，對比結果見表9。由表9可以看出，MEMD-SPA-KNN的識別準確率最低，僅為88%；MEMD-SPA-SVM得到的準確率為90%；MEMD-SPA-BP的識別準確率為89.2%，這3種方法的識別準確率均低于本研究提出XGBoost的分類結果。可見，MEMD-SPA-XGBoost分類模型在對進口木材識別方面具有很好的分類效果。

3 結論

本研究構建了MEMD-SPA-XGBoost識別模型對可見/近紅外光譜在木材識別方面進行了研究。以巴里黃檀、刺猬紫檀、大果紫檀、紅檀香、破布木、檀香紫檀、血檀和中美洲黃檀8種進口木材為研究對象，采用多元經驗模態分解和最大互信息系數相結合的方法對原始數據進行分解、篩選、重構，應用SPA對可見/近紅外光譜數據進行特征波段提取，并作為XGBoost的輸入變量，對木材進行快速識別。結果表明：MEMD這種信號處理方法應用在可見/近紅外光譜數據預處理方面比EMD的去噪效果好很多；利用MIC對IMF進行篩選時，篩選閾值取0.5重構的光譜數據要比取0.3得到的光譜數據具有更少的干擾信息；同時MEMD-SPA-XGBoost識別模型對8種進口木材的識別率均高于傳統分類器，識別準確率可以達到96.5%。

【參 考 文 獻】

[1]賀蕾.中國鋸材和原木進口需求彈性及市場格局研究[J].林業經濟問題，2022，42（3）：289-297.

HE L. A study on the elasticity of import demand and market pattern of sawn timber and logs in China[J]. Economic Issues In Forestry， 2022， 42（3）： 289-297.

[2]KENFACK D， ABIEM I， CHAPMAN H. The efficiency of DNA barcoding in the identification of Afromontane forest tree species[J]. Diversity， 2022， 14（4）： 233.

[3]HWANG S W， SUGIYAMA J. Computer vision-based wood identification and its expansion and contribution potentials in wood science： A review[J]. Plant Methods， 2021， 17（1）： 47.

[4]PAN X， LI K， CHEN Z， et al. Identifying wood based on near-infrared spectra and four gray-level co-occurrence matrix texture features [J]. Forests， 2021， 12（11）： 1527.

[5]白慶旭，候英，楊盼盼，等.基于近紅外光譜技術的天麻產地鑒別方法[J].西部林業科學，2021，50（3）：124-130.

BAI Q X， HOU Y， YANG P P， et al. Identification of Gastrodia elata producing areas based on near-infrared spectroscopy[J]. Western Forestry Sciences， 2021， 50（3）： 124-130.

[6]汪紫陽，尹世逵，李穎，等.基于可見/近紅外光譜識別東北地區常見木材[J].浙江農林大學學報，2019，36（1）：162-169.

WANG Z Y， YI S K， LI Y， et al. Identification of common wood in northeast China based on visible/near infrared spectroscopy[J]. Journal of Zhejiang Forestry University， 2019， 36（1）： 162-169.

[7]明曼曼，陳芳，孫愷琦，等.基于集群算法優化BP神經網絡的NIRS樹種識別研究[J].西部林業科學，2020，49（5）：124-128.

MING M M， CHEN F， SUN K Q， et al. Study on NIRS tree species identification based on BP neural network optimized by cluster algorithm[J]. Western Forestry Sciences， 2020， 49（5）： 124-128.

[8]LI Y， WANG G， GUO G， et al. Spectral pre-processing and multivariate calibration methods for the prediction of wood density in Chinese white poplar by visible and near infrared spectroscopy[J]. Forests， 2022， 13（1）： 62.

[9]葛維春，殷祥翔，葛延峰，等.基于MEMD和HHT的電力系統低頻振蕩模式識別方法研究[J].電力系統保護與控制，2020，48（6）：124-135.

GE W C， YIN X X， GE Y F， et al. Research on low frequency oscillation pattern recognition method based on MEMD and HHT[J]. Power System Protection and Control， 2020， 48（6）： 124-135.

[10]MURAWWAT S， ASIF H M， IJAZ S， et al. Denoising and classification of Arrhythmia using MEMD and ANN [J]. Alexandria Engineering Journal， 2022， 61（4）： 2807-2823.

[11]馮國紅，朱玉杰，徐華東，等.應用遺傳算法-主成分分析-反向傳播神經網絡的近紅外光譜識別樹種效果[J].東北林業大學學報，2020，48（6）：56-60.

FENG G H， ZHU Y J， XU H D， et al. Application of genetic algorithm-principal component analysis-back propagation neural network in near-infrared spectral identification of tree species[J]. Journal of Northeast Forestry University， 2020， 48（6）： 56-60.

[12]梁龍，房桂干，吳珽，等.基于支持向量機的近紅外特征變量選擇算法用于樹種快速識別[J].分析測試學報，2016，35（1）：101-106.

LIANG L， FANG G G， WU J， et al. Fast tree species identification based on support vector machine near-infrared feature variable selection algorithm[J]. Journal of Analytical Testing， 2016， 35（1）： 101-106.

[13]譚念，孫一丹，王學順，等.基于主成分分析和支持向量機的木材近紅外光譜樹種識別研究[J].光譜學與光譜分析，2017，37（11）：3370-3374.

TAN N， SUN Y D， WANG X S， et al. Identification of wood species by near infrared spectroscopy based on principal component analysis and support vector machine[J]. Spectroscopy and Spectral Analysis， 2017， 37（11）： 3370-3374.

[14]王學順，孫一丹，黃敏高，等.基于BP神經網絡的木材近紅外光譜樹種識別[J].東北林業大學學報，2015，43（12）：82-85，89.

WANG X S， SUN Y D， HUANG M G， et al. Wood species identification by near infrared spectroscopy based on BP neural network[J]. Journal of Northeast Forestry University， 2015， 43（12）： 82-85， 89.

[15]KOMATY A， BOUDARAA A-O， NOLAN J， et al. On the Behavior of MEMD in presence of multivariate fractional Gaussian noise[J]. IEEE Transactions on Signal Processing， 2021， 69： 2676-2688.

[16]ZHU H Y， CHU B Q， FAN Y Y， et al. Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models[J]. Scientific Reports， 2017（1）： 1-13.

[17]陳倩倩，徐健，劉秀平，等.基于DWT、MEMD和模糊熵的腦電信號特征提取與分類研究[J].河南理工大學學報（自然科學版），2022，41（1）：143-152.

CHEN Q Q， XU J， LIU X P， et al. Feature extraction and classification of EEG signals based on DWT， MEMD and fuzzy entropy[J]. Journal of Henan University of Technology （Natural Science Edition）， 2022， 41 （1）： 143-152.

[18]于路，薄華.基于改進EMD的運動想象腦電信號識別算法研究[J].微型機與應用，2016，35（9）：58-61.

YU L， BO H. Study on recognition algorithm of motor imagery EEG based on improved EMD[J]. Microcomputer and Applications， 2016， 35（9）： 58-61.

[19]岳欣華，鄧彩霞，張兆茹.BP神經網絡與形態學融合的邊緣檢測算法[J].哈爾濱理工大學學報，2021，26（5）：83-90

YUE X H， DENG C X， ZHANG Z R. BP neural network fuse with morphology edge detection method[J]. Journal of Harbin University of Science and Technology， 2021， 26（5）：83-90.

[20]欒景然，馮國紅，朱玉杰.基于連續投影算法-遺傳算法-BP神經網絡的可見/近紅外光譜木材識別[J].浙江農林大學學報，2022，39（3）：671-678.

LUAN J R， FENG G H， ZHU Y J. Wood recognition by visible/near infrared spectroscopy based on continuous projection algorithm-genetic algorithm-BP neural network[J]. Journal of Zhejiang Forestry University， 2022， 39（3）： 671-678.

[21]聶鳳明，羅峻，楊欣卉，等.基于經驗模態分解的近紅外光譜預處理研究[J].上海紡織科技，2018，46（3）：45-47，61.

NIE F M， LUO J， YANG X H， et al. Study on near-infrared spectral preprocessing based on empirical mode decomposition[J]. Shanghai Textile Technology， 2018， 46（3）： 45-47， 61.

[22]白慶旭，候英，楊盼盼，等.基于近紅外光譜技術的天麻產地鑒別方法[J].西部林業科學，2021，50（3）124-130.

BAI Q X， HOU Y， YANG P P， et al. Identification method of the producetion site of Gastrodia elata Blume based on near infrared spectroscopy[J]. Journal of West China Forestry Science， 2021， 50（3）124-130.

[23]RAFIQ H J， RASHED G I， SHAFIK M B. Application of multivariate signal analysis in vibration-based condition monitoring of wind turbine gearbox[J]. International Transactions On Electrical Energy Systems， 2021， 31（2）： 1845-1849.