writer：謝佳琦，張強，劉培然，楊亞非*，卞希慧*
keywords：Traditional Chinese medicine, Extreme learning machine, Whale optimization algorithm, Ensemble modeling
source：期刊
specific source：分析化學, 2025, 53(6): 944-954
Issue time：2025年
相較于傳統機器學習算法存在的特征提取效率低、非線性模式識別能力不足、訓練速度慢等問題，寬度學習（Broad learning system, BLS）通過橫向擴展網絡結構來提高學習能力和效率，具有結構簡潔、訓練速度快、泛化能力強等優勢。目前，寬度學習算法在其他領域已經展現出潛力，然而在復雜樣品的鑒別中尚未得到充分探索。基于此，本文探索了BLS算法對基于理化指標的復雜樣品鑒別的可行性。采用鳶尾花、葡萄酒和乳腺癌三個數據集，以鳶尾花的花瓣、花萼的長度和寬度、葡萄酒的物理化學屬性和乳腺癌細胞核特征作為輸入變量，與鳶尾花的品種、葡萄酒的品種和良惡性細胞核建立寬度學習模型。模型性能通過混淆矩陣、準確率和運行時間等指標進行評價。結果表明，與偏最小二乘-判別分析（Partial least squares-discriminant analysis, PLS-DA）、簇類獨立軟模式（Soft independent modeling of class analogies, SIMCA）和人工神經網絡（Artificial neural network, ANN）相比，BLS算法在計算效率和識別精度方面均表現出顯著優勢，為復雜樣品的鑒別分析提供了一種高效且可靠的新方法。