道路遥感监测数据由污染气体浓度、车辆和环境等数据构成各类数据对道路高排放源识别结果产生不同程度影响。为探究不同特征组合对实验结果的影响提升模型对移动污染的识别精度本文提出了基于RFELM和Bagging的集成学习算法。算法通过改变特征采样的概率和权重增强了重要特征及其组合在高排放源识别中的作用。作为子分类器RFELM将输入数据进行随机傅里叶特征映射生成隐含层结点有效促进了不同数据之间的交互与组合。

本文提出了一种基于RFELM和Bagging的集成学习算法，用于道路高排放源的识别。该算法通过改变特征采样的概率和权重，增强了重要特征及其组合在识别过程中的作用。具体而言，RFELM作为子分类器，利用随机傅里叶特征映射将输入数据转化为隐含层结点，从而有效促进了不同数据之间的交互与组合。实验结果表明，相较于AdaBoost等算法，我们提出的方法在识别精度和抗噪声能力方面都有显著的提高。