基于光谱技术的支持向量机判别牛肉新鲜度

目的 实现生鲜牛肉新鲜度等级的无损快速判别。方法 用可见/近红外光谱检测系统, 获取储存1~18 d的36块牛肉样品的400~1600 nm范围的光谱信息, 以挥发性盐基氮理化值为分类依据。用多元散射校正(MSC)、变量标准化(SNV)、SG平滑预处理方法处理光谱数据, 分别建立牛肉新鲜度的支持向量机分类模型。结果 MSC+SG预处理后所建立的分类模型预测能力最好, 训练集和测试集的回判识别率和预测识别率分别为96.30%、100%, 验证集的识别率为88.89%。结论 可见/近红外光谱结合支持向量机, 对牛肉新鲜度进行无损快速判别是可行的。     

基于支持向量机的造纸废水处理过程故障诊断

故障检测和故障诊断是工业过程监控的主要内容。针对造纸废水处理过程的多变量、非线性、大时变等特点,本课题首先采用主成分分析（PCA）对故障进行检测,然后分别采用马氏距离判别分析和支持向量机(SVM)对偏移、漂移和精度下降3种故障类型进行故障诊断。计算结果表明,基于主成分分析的故障检测率达97.50%;基于支持向量机故障诊断方法的故障分离能力为90.00%,而基于马氏距离判别分析方法的故障分离能力为73.75%。相比基于马氏距离判别分析的故障诊断方法,基于支持向量机的故障诊断方法更适合于非线性时变的造纸废水处理过程。     

基于质谱与支持向量机的清香型白酒等级判别

不同等级白酒鉴别对控制白酒质量和保护消费者利益有重要意义,文中以牛栏山酒为例,研究清香型白酒质量等级鉴别方法。运用顶空固相微萃取质谱(HS-SPME-MS)技术获取三类不同等级的57个牛栏山酒样质荷比m/z55~191范围内的离子丰度值数据,分别进行偏最小二乘回归分析(PLS)和主成分回归分析(PCR),其中PLS模型的预测结果明显优于PCR。同时PLS与PCR模型的回归系数用于选择重要特征离子,其中PLS与PCR回归系数法分别选择了12和10个离子,用选择的离子变量构建支持向量机(SVM)模型,模型对测试集的预测准确率分别为80%和86.7%,其中PCR回归系数法选择的特征离子为m/z 71、103、104、106、127、149、161、179、183和184。     

基于质谱与支持向量机的清香型白酒等级判别

不同等级白酒鉴别对控制白酒质量和保护消费者利益有重要意义,文中以牛栏山酒为例,研究清香型白酒质量等级鉴别方法。运用顶空固相微萃取质谱（HS-SPME-MS）技术获取三类不同等级的57个牛栏山酒样质荷比m/z55¹91范围内的离子丰度值数据,分别进行偏最小二乘回归分析（PLS）和主成分回归分析（PCR）,其中PLS模型的预测结果明显优于PCR。同时PLS与PCR模型的回归系数用于选择重要特征离子,其中PLS与PCR回归系数法分别选择了12和10个离子,用选择的离子变量构建支持向量机（SVM）模型,模型对测试集的预测准确率分别为80%和86.7%,其中PCR回归系数法选择的特征离子为m/z 71、103、104、106、127、149、161、179、183和184。      

基于主成分分析和改进支持向量机的猪肉品质识别

目的:剔除近红外光谱存在大量冗余信息以及提高猪肉品质识别的精度,建立猪肉品质快速识别方法。方法:运用主成分分析对猪肉光谱数据进行降维处理,筛选出猪肉光谱特征波长;运用樽海鞘群算法进行支持向量机(SVM)模型的参数优化,提出一种基于樽海鞘算法改进支持向量机的猪肉品质识别模型。结果:与灰狼算法(GWO)优化SVM(GWO-SVM)、网格搜索算法改进SVM(Grid-SVM)、粒子群算法改进SVM(PSO-SVM)和SVM相比,基于SSA-SVM的猪肉品质识别模型的精度最高。结论:融合主成分分析和樽海鞘算法优化SVM模型的猪肉品质识别模型可以有效提高SVM模型的猪肉品质识别精度。     

光谱技术预测牛肉嫩度研究进展

肉的嫩度是肉品品质的首要指标。多年来,牛肉嫩度一直是肉品学者关注的焦点,而牛肉嫩度的检测是近年来研究的热点之一。本文从光谱谱信息和牛肉内部成分的关系及光谱成像和牛肉外部特征的关系两方面,简要阐述牛肉嫩度检测的光谱技术特点。主要介绍国内外近十年来在牛肉嫩度检测方面所采用的近红外(NIR)、高光谱、多光谱、荧光光谱和可见光谱技术研究进展,讨论现有技术的局限性,并指出未来牛肉嫩度检测技术的发展方向。     

近红外光谱技术结合支持向量机对食用醋品牌溯源的研究

研究近红外光谱技术对食用醋品牌进行快速无损溯源。收集市场上保宁、东湖、恒顺、镇江4个品种共152份具有代表性的食用醋样品,采集它们的近红外光谱数据,对原始光谱数据进行多元散射校正(multip,licative scatter corrertion,MSC)预处理,对预处理后的光谱数据利用主成分分析法(principal component analysis,PCA)进行聚类分析,根据主成分的累计贡献率选取主成分数,然后用支持向量机(support vector machine,SVM)建立预测模型,选取合适的SVM核函数,并利用粒子群优化算法(particle swarm optimization,PSO)优化模型参数。结果表明,近红外光谱技术结合支持向量机对食用醋品牌分类正确率可达100%。     

基于支持向量机的高光谱遥感影像分类

高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术。自发展以来,已在各个方面都显示出了巨大的研究潜力,成为遥感应用最广泛的领域之一。然而,如何充分利用高光谱遥感数据提供的丰富的地表信息,以及如何在如此大量的信息中提取有用信息,是摆在研究者面前的一项重要课题。高光谱遥感影像处理的一项重要内容就是地物目标的分类。文章基于支持向量机算法原理,提出了一种应用于高光谱影像的分类机制,并在印度松树(Indian Pines)和帕维亚大学(Pavia University)数据集上进行了验证实验,取得了较高的分类精度。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类(support vector machine classification,SVM)方法建立判别模型.结果表明:运用基于马氏距离的主成分分析方法剔除异常...     

基于支持向量机及粒子群算法的腊肉品质等级检测

针对近年来备受关注的腊肉酸价和过氧化值超标、褪色、出油、发黏等品质问题,提出一种快速、准确、实用的检测技术。采用支持向量机(support vector machine,SVM)将近红外光谱(near infrared spectroscopy,NIR)检测到的酸价、过氧化值、挥发性盐基氮和显微图像处理得到的微生物菌落总数进行多数据融合,建立腊肉品质等级检测模型,并利用粒子群优化(particle swarm optimization,PSO)算法进行模型优化。结果表明:支持向量机的分类方法取得了与生化方法相同的腊肉分级预测结果,且采用粒子群优化后的分类模型准确率由97.5%提升到100%。证明粒子群优化支持向量机模型能够迅速对腊肉等级进行准确检测。     

基于支持向量机的织物悬垂性能评估分析

针对织物悬垂性评估中存在非线性建模困难及评估精度不高等问题,结合织物悬垂性参数数据的特点,基于Mercer核函数的性质,构建Mercer核函数的织物悬垂性评估模型。通过实验,认为其评估精度有了相应的提高,说明基于Mercer核函数的织物悬垂性评估模型是可行的。同时,通过改变参数值进行实验,结果表明这些参数的取值不同对评估结果有影响,且不同参数对评估结果影响的程度也不同,这对基于支持向量机的织物悬垂性评估过程有重要的指导作用。     

基于支撑矢量机的织物疵点识别算法

为了使用机器对织物疵点进行有效地检测和分类,提出了基于直方图统计和支撑矢量机的织物疵点识别算法。该算法运用直方图统计的方法,由概率统计生成直方波形,基于波形特征参数对比能准确定位织物纹理结构的异常位置,正确识别织物疵点,并将其作为支撑矢量机的输入参数,用于训练特征样本集,以获得支撑矢量,对待识对象进行识别,得到识别结果,在识别结果中寻找最优匹配,将待识图像归入最匹配类中。实验结果表明,该算法用于织物疵点检测是可行、有效的,可得到满意的识别结果。     

基于迁移学习与支持向量机的服装舒适度评估

针对传统服装舒适度评估需要直接试穿服装导致的舒适度评估精确度不高和评估过程耗时的问题,提出一种从试穿服装数据库学习服装舒适度评估模型的方法,可以快速准确地评估服装舒适度。首先,采集试衣模特尺寸和试穿样板图,并利用迁移学习改善试穿样板图构建试穿服装数据库,同时提出基于虚拟试衣技术的舒适度标签获取方法,为数据库中对应的试穿样板图添加舒适度标签;然后,提取试穿样板图的局部二值模式为服装样板特征,并融合试衣模特尺寸数据形成服装试穿特征向量;最后,提取试穿服装数据库的融合特征训练支持向量机,得到服装舒适度评估模型。实验结果表明,该方法的准确率和系统时间分别为0.8344和12 s,具有较高的精确度和效率。     

采用傅里叶描述子和支持向量机的服装款式识别方法

为解决当前服装款式识别领域中,服装轮廓特征提取技术较复杂,其分类方法的效率低、适应性差等问题,提出一种新型的服装款式的识别方法。首先创建了一个服装图像样本库,并从这些服装图像中提取服装轮廓,然后使用傅立叶描述子描述服装的轮廓特征,以多分类支持向量机进行分类。结果表明,该方法能够准确提取服装轮廓,傅立叶描述子的识别效果优于Hu不变矩和融合特征（Hu不变矩和傅立叶描述子）;对傅立叶描述子进行主成分分析不能提高识别准确率;支持向量机的分类效果优于极端学习机;该方法能够达到95%以上的识别率,尤其对轮廓特征明显的款式有更好的识别率。     

Hot topic: application of support vector machine method in prediction of alfalfa protein fractions by near infrared reflectance spectroscopy

The object of this study was to explore the potential for support vector machine (SVM) to improve the precision of predicting protein fractions by near infrared reflectance spectroscopy (NIRS). Generally, most protein fractions determined in Cornell Net Carbohydrate and Protein System (CNCPS), especially the neutral detergent insoluble protein (NDFCP) and acid detergent insoluble protein (ADFCP), could not be accurately predicted by the commonly used partial least squares (PLS) method. A recently developed chemometric method, SVM, was applied in NIRS prediction of alfalfa protein fractions in this study. Two hundred thirty alfalfa samples were scanned on a near infrared reflectance spectrophotometer, and analyzed for crude protein (CP), true protein precipitated in tungstic acid (TCP), borate-phosphate buffer-insoluble protein (BICP), NDFCP, and ADFCP. These 5 laboratory proteins and the CNCPS protein fractions A, B1, B2, B3, and C were predicted by NIRS using the PLS and SVM methods. According to PLS-NIRS regression, CP, TCP, BICP, A, and B2 obtained the determination coefficient of prediction of 0.96, 0.91, 0.94, 0.94, and 0.93, and the ratios of standard deviation of prediction samples: standard error of prediction samples (RPD) values were 5.07, 3.31, 3.98, 3.96, and 3.91. Neutral detergent insoluble protein, ADFCP (fraction C), B1, and B3 were predicted with of 0.75, 0.83, 0.30, and 0.62, and RPD values of 1.98, 2.42, 1.20, and 1.62; Calibrated by the SVM-NIRS method, values of CP, TCP, BICP, NDFCP, ADFCP(C), A, and B2 achieved 0.99, 0.97, 0.97, 0.90, 0.93, 0.97, and 0.97, respectively. The RPD values of those fractions were 8.68, 8.26, 6.11, 3.08, 3.69, 5.97, and 5.81, respectively. The and RPD values of fractions B1 and B3 were 2.67 and 0.87 (B1) and 2.51 and 0.75 (B3) directly predicted by SVM-NIRS model. In this study, the chemical analysis results of B1 and B3 were also correlated with calculated results from TCP-BICP and NDFCP-ADFCP, which were predicted by SVM-NIRS models. The B1 protein fraction achieved and RPD values of 0.87 and 3.61, whereas values for B2 were 0.75 and 2.00. Data suggested that use of SVM methods in NIRS technology could improve the accuracy of predicting protein fractions. This study showed the potential of increasing the NIRS prediction accuracy to a level of practical use for all protein fractions, except B3.     

应用连续投影算法及最小二乘支持向量机的单组分纺织品识别

针对传统的纺织品检测受检测人员感官和精神状态影响,不同检测人员对同一样品的检测结果有偏差,且大部分传统的检测方法损伤纤维这一现象,以高光谱技术为基础设计了对8 种单组分纺织品材料进行识别分类的方法。对纺织品的高光谱数据预处理后,利用连续投影算法提取纺织材料的特征波长,在 920～ 2500 nm内将288个波长压缩至5 ～7 个（数据压缩至1.74%～ 2.43%）,并基于最小二乘支持向量机对每种纺织品建立二类分类器,将获取到的特征波长导入到各自对应的分类器中进行训练,最后对测试样本进行识别分类。实验结果表明,640 个实验样本均被8 种二类分类器识别,高光谱成像技术可用于棉、涤纶、聚乙烯、羊毛、聚氯乙烯、锦纶、亚麻、蚕 丝的识别。     

氯化钙处理对牛肉嫩度影响的研究

对宰后8h的牛肉分别注射200、250、300mmol／LCaCl2溶液(注射量为肉重的3％),然后将处理样品在4℃下分别腌制12h、24h、48h,通过对其剪切力值的测定,研究注射氯化钙及腌制时间对牛肉嫩度的影响。结果表明,与未注CaCl2溶液组相比,注射CaCl2溶液组牛肉嫩度显著提高(P<0.05),但不同水平CaCl2溶液处理之间牛肉嫩度差异不显著(P>005);不同腌制时间对牛肉嫩度的影响差异不显著(P>0.05)。综合分析,200mmol/L的CaCl2溶液处理浓度、48h的腌制时间改善牛肉的嫩度是可行的。