基于多元经验模态分解的可见/近红外光谱识别木材研究

付立岩 冯国红 刘旭铭

摘 要：基于可见/近红外光谱技术探究一种快速、准确的木材识别方法。以8种进口木材为研究对象，运用多元经验模态分解（MEMD）和最大互信息系数（MIC）的方法对采集的光谱数据进行分解、筛选和重构，进而利用连续投影法（SPA）进行特征波段提取，再结合XGBoost分类器进行分类识别。为进一步验证该方法的可行性，将提出的木材识别方法分别与经验模态分解（EMD）算法和传统的支持向量机（SVM）、K近邻分类算法（KNN）、BP神经网络（Back Propagation Neuron NetWok）分类器进行对比分析。结果表明，MEMD方法对可见/近红外光谱去噪效果优于EMD去噪方法；MEMD-SPA-XGBoost相比MEMD-SPA-SVM的识别准确率为90%、MEMD-SPA-KNN的88%、MEMD-SPA-BP的89.2%，平均识别准确率达到了96.5%。可见，该方法在木材识别方法中具有很好的应用前景。

关键词：可见/近红外光谱；木材识别；多元经验模态分解；连续投影法；XGBoost

中图分类号：S781.1    文献标识码：A   文章编号：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：中央高校基本科研业务费专项资金项目（2572020BL01）；黑龙江省自然科学基金资助项目（LH2020C050）

第一作者简介：付立岩，硕士研究生。研究方向为木材种类识别研究。E-mail： 1139967801@qq.com

通信作者：冯国红，博士，副教授。研究方向为木材种类识别。E-mail： fgh_1980@126.com

引文格式：付立岩，冯国红，刘旭铭. 基于多元经验模态分解的可见/近红外光谱识别木材研究[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

近几年国家为保护森林资源，全面禁伐，导致我国木材产量难以满足市场需求，需从国外大量进口木材[1]。然而进口木材种类繁多，难以辨别，以次充好的事情屡见不鲜，如何高效、准确地识别进口木材变得十分有意义。传统木材识别主要依靠专家观察、DNA法和计算机图像法等[2-4]。但这些方法常常需要对样本进行切片等操作，普适性不高且周期长，易造成浪费，甚至降低珍贵进口木材的价值。

光谱法是一种无损检测方法，具有高效、便捷和无污染等优点[5]，近几年，已成为木材识别领域的研究热点。汪紫阳等[6]基于可见/近红外光谱对生长在东北地区的多种木材进行了有效识别。明曼曼等[7]运用近红外光谱技术结合优化后的BP神经网络对木材进行了识别，识别效果最高可达到95.33%。在应用光谱法进行木材识别研究中，由于光谱数据采集的过程中存在很多不可控因素，往往会产生影响识别结果的无用信息，因此需采用一定的预处理方法进行降噪。目前常采用的光谱预处理方法主要有导数处理、多元散射校正[8]等，多元经验模态分解（MEMD）针对信号去噪具有良好的效果，在生物医学、故障诊断等领域得到了非常广泛的应用[9-10]，但在木材识别领域未见相关报道。同时，应用光谱法识别木材时，目前多采用支持向量机（SVM）、BP神经网络（Back Propagation Neuron NetWok）等[11-14]传统算法研究分类问题，这些算法在处理多分类问题中易过拟合，陷入局部最优，通常还需要结合其他方法弥补自身缺点。XGBoost （Extreme Gradient Boosting）是一种梯度提升算法，在机器学习领域有着广泛的应用，在处理大规模数据集时速度快、效果好，相比传统模型鲁棒性更强，一般不需要精细调整便能取得很好的结果。

本研究基于MEMD和XGBoost对木材识别进行了研究。以8种进口木材为研究对象，应用可见/近红外光谱建立进口木材识别模型。首先运用MEMD和最大互信息系数（MIC）的方法对采集的光谱数据进行分解、筛选和重构，进而利用连续投影法（SPA）进行特征波段提取，再结合XGBoost分类器对进口木材进行识别，以期为可见/近红外进口木材识别方法提供新的参考。

1 实验与方法

1.1 仪器设备和数据采集

仪器设备：美国ASD公司的LabSpec 5000光谱仪，采用Indico Pro Version 3.1软件采集波长为350～2 500 nm的可见/近红外光谱数据。

数据采集：本次试验选择大果紫檀（Pterocarpus macrocarpus Kurz）、檀香紫檀（Pterocarpus santalinus L.f）、血檀（Pterocarpus tinctorius Welw）、巴里黄檀（Dalbergia bariensis Pierre）、破布木（Cordia dichotoma Forst.）、中美洲黄檀（Dalbergia granadillo Pittier）、刺猬紫檀（Pterocarpus erinaceus Poir）和红檀香（Myroxylon balsamu）共8种进口木材作为实验对象，每种木材样本大小为6 cm×4 cm×2 cm的木块，每一类木材制作5个样本，分别用数字1—5进行标号，共计40个样本块。把每个木块横向2等分，纵向5等分，取等分线交点为采样点，这样一个木块取10组实验数据，8种木材共采集400组实验数据。

1.2 多元經验模态分解

MEMD是在经验模态分解（EMD）基础上作了进一步扩展的方法[15]。其原理是将原始数据映射到不同方向向量上，形成实值投影数据的多元包络，通过计算多元包络的均值来获取原始信号的局域均值，具体方法如下。

1）在（n-1）维的球面上利用Hammersley序列采样法均匀采样，得到K组方向向量。

2）设输入信号（v（t））Tt=1={v1（t），v2（t），…，vn（t）}，时刻为t，通道数为n，信号长度为T， xθk=（xk1，xk2，…，xkn）是对应在（n-1）维球面中方向角θk={θk1，θk2，…，θkn-1}的方向向量集。

3）计算（v（t））Tt=1在K组方向向量xθk上的映射集{pθk（t）}Kk=1，其中投影集为p，方向角为θk，时刻为t，量测组数为K。

4）求得映射集｛pθk（t）}Kk=1极值对应的时间点｛tθki｝，其中时间点为t，极值点序号为i，方向角为θk。

5）对tθki，v（tθki）进行多元样条插值，获取包络曲线eθk（t）Kk=1。

6）计算整组方向向量包络曲线的均值m（t），见式（1），其中K表示量测方向向量组数，eθk（t）为第k个包络线值。

m（t）=1k∑Kk=1eθk（t） 。（1）

7）按照d（t）=v（t）-m（t）获得信号剩余量d（t），如果d（t）上包络和下包络的均值近似等于零或者满足特定准则，则判定其是一个本征模态函数，否则返回第二步重新计算。

采用多元经验模态分解对输入信号v（t）进行分解，得到M个不同频率的IMF（IMF为复杂数据分解的本征模态函数，代表着原始数据的局部特征，一般由高频到低频依次排列），见式（2）

v（t）=∑Mm=1Cm-（t）+r-（t）。 （2）

式中：Cm-（t）为第m个IMF；r-（t）为分解残差。

1.3 最大互信息系数法

最大互信息系数（MIC）是一种度量数据之间关联程度的方法，相比常用的互信息（MI）方法，具有更高的精准度和鲁棒性。假设随机变量X、Y，则其MIC的主要计算步骤如下。

1）给定a、b，对X、Y构成的散点图进行a列b行网格划分，计算出最大互信息值。

2）把最大互信息值进行归一化处理，转变到（0，1）之间。

3）选择不同尺度下互信息的值作为MIC（公式中用MIC）的结果，见式（3）

MIC（x;y）=maxab

式中：B为数据总量的0.6次方，是网格划分总数的约束条数；I（x;y）为求得的互信息。

1.4 SPA特征提取方法

SPA是一种前向特征变量选择方法，把波长投影到其余波长上，通过对向量的投影分析，从全波段光谱数据中剔除了大量不相关波段，选择出具有最小共线性的波长作为分类器的输入集，降低了数据的维度，起到了简化模型的作用，提高了模型的预测精度和效率[16]。

1.5 XGBoost分类算法原理

XGBoost是一种极限梯度提升算法。该算法主要通过模型集成的方式将多个弱学习器组合成一个强学习器。其基本思想是以损失函数的二阶泰勒展开作为其替代函数，求其最小化来确定回归树的最佳分割点和叶子节点输出数值。

XGBoost是在前向步进算法下的多个弱学习器组成的加法模型，见式（4）

yi=∑Nn=1fn（xi），fn（xi）∈R。 （4）

式中：N表示树的数量；yi表示样本i的预测分类值；fn表示预测分类树函数，xi为样本i输入特征值，R为实数域。

由此建立该模型的目标函数（Obj，公式中用Obj表示），主要由损失函数和正则项函数组成，见式（5）

Obj=∑Ni=1L（f（xi;θ），yi）+Ω（fn）。 （5）

式中：θ表示超参数；损失函数∑Ni=1L（f（xi;θ），yi）表示真实值与预测值之间的差值，描述模型拟合数据的程度；N表示树的数量；正则项函数Ω（fn）表示对模型复杂度施加的惩罚值；fn表示预测分类树函数。首先通过贪心算法寻找局部最优解，再对目标函数（5）进行二阶泰勒展开，根据数据集的特点，引入本研究树的复杂度Ω（fn）表示，见式（6）

Ω（fn）=γD+12λ∑Dd=1w2d 。（6）

式中：γ为树复杂度系数；λ为正则项系数，用于权衡正则项与原损失函数项的比重；D为树中的叶子节点数目，wd表示给出每个对应的叶子节点d的叶子分数。最终得到优化后目标函数的，见式（7）

Obj（d）=-12∑Dj=1（G2jHj+λ）+γD 。（7）

式中：Gj为误差函数一阶导数的叶子节点j样本集合下求和；Hj为损失函二阶导数的叶子节点j样本集合下求和；γ为树复杂度系数。

2 结果与分析

2.1 原始光谱数据分析

运用LabSpec5000光谱仪对8种进口木材进行光谱采集，为了更加直观地分析，提取一组原始光谱数据进行分析（图1），其中大果紫檀、檀香紫檀、巴里黄檀相比其余5种木材强度数值过小，其光谱图像与x轴基本重合。由图1可以看出，血檀、破布木和中美洲黄檀在1 700～1 800 nm范围数据基本重合，特别是在1 800～1 835nm范围内5种木材的光谱数据完全重叠在一起，相反，5种木材数据在1 200～1 350 mm及1 400～1 460 nm范围内数据相互干扰小，尤其是刺猬紫檀、红檀香和血檀存在明显差异。除此之外，在1 000、1 250～1 380、1 500～2 400 nm范围内特别是在后半段，数据存在大量毛刺。

2.2 多元经验模态分解及筛选结果

2.2.1 分解结果

从图1可知采集的原始光谱数据都存在一定的随机噪声等无用信息。因此，本研究采用MEMD对其进行降噪，将原始光谱数据分解成一定数量的本征模态函数，由于数据过多，在此仅展示大果紫檀的部分数据，分解结果如图2所示。由图2可以看出，MEMD把大果紫檀的原始光谱数据分解成10个IMF和1个残余分量（Residual，Res），并且分解出的每个IMF其振幅都不相同。同时，噪声在可见/近红外光谱数据中多表现为频率高且随机性大的特点，针对这一特点，为了更加便于观察和分析，将分解后的IMF绘制成频谱图，结果如图3所示。

由图3可以看出，IMF1-IMF10频率呈下降趋势，其中IMF1—IMF5比其余5个IMF频率要高出很多，存在频率较高，且具有较大的随机性，可能存在大量的白噪声等无用信息。为了防止数据存在偶然性，造成这种下降趋势，对全部分解数据进行频谱图的绘制，部分结果见表1。由表1可以看出，8种进口木材分解的IMF平均频率与上述分析结果相同，排除了偶然现象。

2.2.2筛选结果

对木材的光谱数据进行MEMD分解之后，由于不同层次的IMF包含的有用信息也各不相同，因此选择合适的方法对IMF进行筛选，剔除尽可能多的无用信息，可以有效提高识别模型的准确性。

由参考文献可知[17-19]，MIC的大小与包含有用信息的多少呈正相关。根据这个结论本研究通过计算IMF与原始数据之间的最大互信息数进行IMF的筛选，其中一组数据的MIC计算结果见表2。

由表2可知，随着IMF频率由高到低的变化，IMF与原始数据的MIC呈现一种上升趋势，这也验证了2.2.1的分析结果，高频部分的IMF往往包含更多干扰信息，所以IMF1—IMF5得到MIC结果偏小。为了在剔除高频噪声的同时保留更多的特征信息，此处选择MIC中间值0.5作为IMF的筛选阈值。

对筛选出的IMF进行数据重构，图4展示了大果紫檀IMF6—IMF10加残余数据重构的光谱图像。由图4可以看出，重构后的光谱比原始光谱变得更加平滑，消除了大量的随机噪声，信噪比得以大幅提高。

2.3 连续投影法特征提取结果

运用SPA对木材进行特征波长的提取时，起始波段和特征值个数设置的不同会对识别效果产生影响，本研究对起始波段和特征波长个数的选取主要参考栾景然等[20]应用连续投影算法在木材识别方面研究得出的结论，即以吸收峰为起始波段，特征波长个数设置为9个。关于起始波段的选择，结合2.1对原始光谱的分析，选取8种进口木材对1 200～1 350 nm范围内的较为明显的吸收峰进行分析，以吸收峰为中間点，前后各取30个数据点作为特征波段（每个波段均取61个数据点），8种进口木材的吸收峰区间见表3。由表3可以看出，8种进口木材选取的特征波段有相交部分，选取重叠部分1 238～1 264 nm波段的中间值1 251 nm作为SPA特征提取的起始波段。最终获得的特征波长见表4。

2.4 MEMD-SPA-XGBoost模型分类结果

2.4.1 参数调优

XGBoost的参数较多，一共可以分为3类：通用参数、Booster参数以及学习目标参数（表5）。其中，通用参数主要是booster，该参数主要用来选择迭代模型，本研究选择gbtree（树模型）；Booster参数选择tree booster（树参数），首先为了增加模型的鲁棒性，对木材样本subsample和波长特征colsample_bytree按比例进行采样，减小这2个参数的值，算法会更加保守，可以避免过拟合。但是，如果这个值设置得过小，可能会导致欠拟合，经过反复测试，选择木材样本采样比为0.5，波长特征采样比0.9，将学习率learning_rate从默认数值0.3调整至0.28到达拟合效果最佳。采样后需要对最大树深度max_depth进行调整，为了避免过拟合，采用交叉验证函数调优，得到最终的最优树深度为4。在设置弱分类器数目时使用sklearn的 GridSearchCV 方法进行寻优，得到数值177。同时设置boosting的迭代计算次数为10次；最后调整学习目标参数，其中objective用于定义需要被最小化的损失函数，本研究木材分类问题共需要对8种木材进行分类，因此，选用multi：softmax多分类器，同时设置num_class（类别数目）为8。上述参数设置详见表5。

2.4.2 分类结果

本研究将8种进口木材分别用数字进行标识：0代表巴里黄檀，1代表大果紫檀，2代表红檀香，3代表中美洲黄檀，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，模型最终以0—7作为输出结果。

根据表5设置XGBoost的相关参数，将本文的400份样本，按照9∶1的比例随机产生训练集和测试集，在模型训练优化后，对测试集进行10次随机分类测试，结果见表6。由表6可以看出，10次测试的平均识别准确率为96.50%，最高可达到100%。同时，绘制每次测试得到的混淆矩阵，部分结果见表7。由表7可以看出，对角线上的数值代表分类正确的个数，除第2类测试样本出现1个分类错误，其余测试样本类别均能被正确识别，分类效果好。

2.5 对比分析

2.5.1 与经验模态分解方法的对比

EMD和MEMD其基本原理存在一定的相似性，MEMD是以EMD为基础扩展而来[21-23]，为了验证MEMD方法相比EMD的优越性。本节研究过程同2.2、2.3、2.4，采用EMD对光谱数据进行预处理，同时为了进一步验证MIC筛选阈值设定的大小对分类结果的影响，由表2可以看出，高频部分的前4个IMF求得的MIC结果主要集中在0.2～0.3，为此设定筛选阈值为0.3与本文选择的0.5进行对比分析，最终结果见表8。由表8可以看出，采用EMD预处理的分类模型准确率最高为87.5%，而采用MEMD方法的分类准确率最低可达到92.5%。除此之外MIC筛选阈值设定为0.5得到的结果要比0.3好很多，最高可以达到96.5%分类准确率。因此可以证实MEMD相较EMD而言更优，同时，当筛选阈值设定为0.5时，MEMD-SPA-XGBoost的分类效果最佳。

2.5.2 与传统分类器的对比

传统的分类器在木材识别领域应用十分广泛，一直在被众多学者不断的创新。但是，在处理木材的种类较多时还是需要借助其他算法，识别准确率也很难保证。为了验证本研究提出的分类模型相比传统分类模型的优越性，在MEMD及SPA的相同处理下，对比了XGBoost和BP神经网络、支持向量机、K近邻分类算法的分类效果，对比结果见表9。由表9可以看出，MEMD-SPA-KNN的识别准确率最低，仅为88%；MEMD-SPA-SVM得到的准确率为90%；MEMD-SPA-BP的识别准确率为89.2%，这3种方法的识别准确率均低于本研究提出XGBoost的分类结果。可见，MEMD-SPA-XGBoost分类模型在对进口木材识别方面具有很好的分类效果。

3 结论

本研究构建了MEMD-SPA-XGBoost识别模型对可见/近红外光谱在木材识别方面进行了研究。以巴里黄檀、刺猬紫檀、大果紫檀、红檀香、破布木、檀香紫檀、血檀和中美洲黄檀8种进口木材为研究对象，采用多元经验模态分解和最大互信息系数相结合的方法对原始数据进行分解、筛选、重构，应用SPA对可见/近红外光谱数据进行特征波段提取，并作为XGBoost的输入变量，对木材进行快速识别。结果表明：MEMD这种信号处理方法应用在可见/近红外光谱数据预处理方面比EMD的去噪效果好很多；利用MIC對IMF进行筛选时，筛选阈值取0.5重构的光谱数据要比取0.3得到的光谱数据具有更少的干扰信息；同时MEMD-SPA-XGBoost识别模型对8种进口木材的识别率均高于传统分类器，识别准确率可以达到96.5%。

【参 考 文 献】

[1]贺蕾.中国锯材和原木进口需求弹性及市场格局研究[J].林业经济问题，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]白庆旭，候英，楊盼盼，等.基于近红外光谱技术的天麻产地鉴别方法[J].西部林业科学，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]汪紫阳，尹世逵，李颖，等.基于可见/近红外光谱识别东北地区常见木材[J].浙江农林大学学报，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，陈芳，孙恺琦，等.基于集群算法优化BP神经网络的NIRS树种识别研究[J].西部林业科学，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]葛维春，殷祥翔，葛延峰，等.基于MEMD和HHT的电力系统低频振荡模式识别方法研究[J].电力系统保护与控制，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]冯国红，朱玉杰，徐华东，等.应用遗传算法-主成分分析-反向传播神经网络的近红外光谱识别树种效果[J].东北林业大学学报，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]梁龙，房桂干，吴珽，等.基于支持向量机的近红外特征变量选择算法用于树种快速识别[J].分析测试学报，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]谭念，孙一丹，王学顺，等.基于主成分分析和支持向量机的木材近红外光谱树种识别研究[J].光谱学与光谱分析，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]王学顺，孙一丹，黄敏高，等.基于BP神经网络的木材近红外光谱树种识别[J].东北林业大学学报，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，刘秀平，等.基于DWT、MEMD和模糊熵的脑电信号特征提取与分类研究[J].河南理工大学学报（自然科学版），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，薄华.基于改进EMD的运动想象脑电信号识别算法研究[J].微型机与应用，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]岳欣华，邓彩霞，张兆茹.BP神经网络与形态学融合的边缘检测算法[J].哈尔滨理工大学学报，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]栾景然，冯国红，朱玉杰.基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别[J].浙江农林大学学报，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]聂凤明，罗峻，杨欣卉，等.基于经验模态分解的近红外光谱预处理研究[J].上海纺织科技，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]白庆旭，候英，杨盼盼，等.基于近红外光谱技术的天麻产地鉴别方法[J].西部林业科学，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.