基于多能量LIBS与NGO-PSO优化随机森林的茶叶高精度分类新方法

本研究针对茶叶化学成分快速精准分析难题，提出融合多能量激光诱导击穿光谱（LIBS）与北方苍鹰-粒子群优化随机森林（NGO–PSO–RF）算法的分类系统。通过双轮PCA特征提取与多能量光谱融合，实现测试集分类准确率达99.22%，召回率与F1值同步提升3%以上，为食品安全生产提供创新技术方案。

　　

精准分析茶叶的化学成分与光谱特征对于提升分选精度、防止茶叶掺假和品种误判具有重要意义。研究人员开发了一套结合多能量激光诱导击穿光谱（Laser-Induced Breakdown Spectroscopy, LIBS）与北方苍鹰优化算法-粒子群优化随机森林（NGO–PSO–RF）的茶叶鉴别系统，为高效精准的茶叶分类识别提供了新思路。

实验通过三种不同能量测量八种茶叶样品的光谱数据，有效增强了相似样品间的光谱差异。对每个能量下的光谱数据分别进行主成分分析（Principal Component Analysis, PCA），提取前三主成分构建融合特征集，再次通过PCA降维获得核心特征向量，通过双重分析简化了原始复杂的多能量光谱数据。

最终采用NGO–PSO–RF模型对融合光谱数据进行分析，测试集分类准确率达到99.22%，较单一能量下的平均分类精度（96.09%）提升3.13个百分点，召回率（+3.11%）和F₁值（+3.19%）等核心指标同步优化。相较于LSTM、SVM、RF及PSO–RF模型，该方法的分类准确率分别提升6.77%、5.47%、5.34%和3.52%。该研究为物质分类提供了创新性强、普适性高且稳健可靠的分析方法，为食品安全生产与化学分析提供了重要技术支撑。