【病害识别】基于matlab随机森林苹果病害识别【含Matlab源码 2211期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、 随机森林理论

随机森林(RF)是一种基于统计学习理论的组合分类智能算法,由Breiman在2001年提出,其原理是利用Bootstrap重抽样方法从原始数据中抽取多个样本,构建所有Bootstrap样本的决策树,并对所有决策树的预测结果进行组合,并投票选出最终结果.

1 Bootstrap重抽样方法
随机森林属于机器学习的一个重要分支-集成学习,所使用的Bootstrap重抽样方法也是集成学习众多抽样方法之一.Bagging名称来源于Bootstrap aggregating,即为引导聚集算法又称装袋算法,最初由Leo Breiman在1996年提出.Bagging是一种用于训练数据的创建技术,是在原始数据集上通过重复随机有放回抽样,选择出N个数据集并分别训练N个分类器,其训练数据中允许存在重复数据,但N个数据集都是具有相同分布的独立随机向量.因此,某些数据可能会在模型训练中多次使用,而其他数据可能永远不会被使用.这些没有被抽取的数据,约占三分之一,被称为袋外数据(OOB),由于其没有参与训练集模型的拟合,因此常常被用来检测模型泛化能力.

2 决策树
随机森林算法以决策树作为基础学习器,基于许多决策树的生成及其组合以产生最终输出,其输出类别由个别树输出类别的众数决定.决策树是一种基本的分类与回归办法,基于树结构来决策.当决策树用于分类时被称为分类树,用于回归时被称为回归树.决策树由节点和有向边组成,类似于枝杈和树枝.节点有两种类型,内部节点(枝杈)和叶节点(枝梢),其中内部节点表示一个特征,叶节点表示一个类(即决策结果).每个内部节点包含一部分样本集合,会从这些样本集合中随机选择出的特征进行特征测试并根据测试结果将样本划分到子节点中,最终一步步被划分到叶节点中.根节点包含样本全集,从根节点到每个叶节点的路径对应了每一个判定测试序列.其结构像树一样,因此被称为决策树,其学习本质是从训练集中归纳出一组分类规则.

3 随机森林算法
随机森林中“森林”就是决策树的集成,而“随机”是指数据采样的随机和从所有特征中选择部分特征来建立模型的随机.随机森林算法过程有几个阶段:首先,从给定的原始训练集中随机选择样本,为每个样本创建一个决策树,并得到每个决策树的分类结果.接下来对每个分类结果进行投票表决决定最终结果(图1).随机森林集合了多个决策树,比单个决策树有更好的选择结果,它通过对结果求平均值来降低过拟合,因此不宜出现过拟合现象,且预测准确度较高.

总的来说,它具有以下优点:

(1)通过反复二分数据进行分类或回归,因此同等精度下计算量比其他机器学习方法(如神经网络或支持向量机)要低很多.

(2)可以处理数千个输入变量,且无需删除变量.

(3)具有估计缺失数据的有效方法,并在大量数据缺失时保持准确性.

(4)对噪声、异常值和过度训练不敏感,预测精度高误差小.

(5)运行时会生成泛化误差的内部无偏估计,并给出了分类中每个变量的重要性估计值.

(6)可以学习复杂的模式,同时考虑到解释变量和因变量之间的任何非线性复杂关系,并给出有关变量与分类之间的关系信息.

(7)可以保存建立的模型,以便将来用于其他数据.

⛄二、部分源代码

clc;
clear all;
%% 划分数据集
pwd=‘随机森林苹果病害识别’;
currentPath = pwd; % 获得当前的工作目录
fprintf(‘加载数据…’);
t = tic;

imdsImage = imageDatastore(fullfile(pwd,‘数据’),‘IncludeSubfolders’,true,‘LabelSource’,‘foldernames’); % 载入所有图片集合

[imdsTrain,imdsTest] = splitEachLabel(imdsImage, 0.8,‘randomized’);%每个类都按比例随机拆分数据集，训练集和测试集8：2，

fprintf(‘完成 %.02f 秒\n’, toc(t));

countEachLabel(imdsTrain)
%% 特征提取：颜色特征、纹理特征和形状特征
for i=1:length(imdsTrain.Files)
RGB_Train{i}=readimage(imdsTrain,i);
zyc_train{i}=Extract_features(RGB_Train{i});
end
for i=1:length(imdsTest.Files)
RGB_Test{i}=readimage(imdsTest,i);
zyc_test{i}=Extract_features(RGB_Test{i});
end

%% KNN训练
X=zyc_train’;
X1=zyc_test’;
for i=1:280
X_train(i,:)=X{i,:};
end

for i=1:72
X_test(i,:)=X1{i,:};
end

Y_train=imdsTrain.Labels;
Y_test=imdsTest.Labels;
Mdl = fitcknn(X_train,Y_train,‘NumNeighbors’,5)
Y_predict=predict(Mdl,X_test);
accuracy = sum(Y_predict == Y_test)/numel(Y_test)
confusionchart(Y_predict ,Y_test)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]夏永泉,王兵,支俊,黄海鹏,孙静茹.基于随机森林方法的小麦叶片病害识别研究[J].图学学报. 2018,39(01)

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合