机器学习(ML)可用于对基于离子迁移率光谱(IMS)的化学检测器在检测爆炸物、化学战剂和其他挥发性危险化合物时产生的光谱进行分类。IMS检测器的光谱由漂移时间段(X轴)和其相应的振幅(Y轴)组成。这些值代表了每个光谱中存在的峰值,可以作为特征来训练ML算法。在频谱上进行训练时,特征的总数可以超过1000个,而且是高卡度的。这项工作展示了一种使用随机森林(RF)分类和互换特征重要性的方法,以缩小选择最重要的光谱仓。这些特征是训练数据中常见的峰值位置的代表。使用由RF确定的最重要的特征来减少训练数据集的维度,大大增强了密集神经网络的准确性。