基于电子舌的电子烟甜度评价模型研究

为了建立电子烟甜度定量分析的客观方法,利用电子舌对60个电子烟液样品进行测定得到60组数据,通过偏最小二乘、人工神经网络和支持向量机三种方法对电子舌测定数据与人工感官数据进行关联分析,建立了三个电子烟甜度评价模型。三个模型的比较结果显示,支持向量机法所建立的模型对未知电子烟样品甜度预测结果最为可靠,其中该模型的相关系数为0.96,预测结果的平均相对误差为7.30%,预测结果的均方根误差为0.61。由此可知,电子舌结合支持向量机法所建立的评价模型,可以实现对未知电子烟甜度的可靠预测。      

玉露香梨可溶性固形物近红外漫透射光谱在线检测

应用近红外漫透射光谱技术探索玉露香梨可溶性固形物在线无损检测的可行性。358个试验样本被分成建模集和预测集(269∶89),分别用于建立模型和验证模型的预测能力。通过对玉露香梨样品近红外漫透射光谱分析发现,样品光谱在625,725,800nm处存在3个波峰,在673,765,825nm处存在3个波谷。通过对比不同预处理方法,发现漫透射近红外光谱分别经一阶微分、移动窗口平滑和多元散射校正组合预处理后建立的模型效果最好。结合组合预处理方法建立了偏最小二乘和偏最小二乘支持向量机预测模型,经比较,偏最小二乘支持向量机模型预测能力更强,模型预测均方根误差和相关系数分别为0.316%和0.949。对比发现主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。试验结果表明采用近红外漫透射光谱技术结合最小二乘支持向量机算法,实现了玉露香梨可溶性固形物在线无损检测。     

利用THz时域谱技术和支持向量机回归法快速分析食用油成分

采用THz时域谱技术获得30个食用油样本的吸收谱,随机分为训练集和预测集.利用支持向量回归算法和气相色谱方法得到的参照测量值,在训练集上建立食用油中主要成分的预测模型,并用此模型对预测集样本进行预测.结果表明该模型对食用油预测的相关系数均在0.9以上,比传统PLS方法更为精确.     

基于数据的废纸配比预测纸浆白度的研究

针对实际生产过程中根据人工经验配比废纸用量导致纸浆性能与预期差别较大的现状,本研究利用纸厂提供的废纸配比和纸浆性能检测数据,使用BP神经网络和支持向量机（SVM）的建模方法,分别采用全部样本数据和样本平均值数据建立基于废纸配比的纸浆白度预测模型。研究结果表明,在模型预测精度、预测稳定性以及模型训练时间等方面,以样本平均值数据作为建模数据集,使用SVM方法建立的纸浆白度预测模型,具有较好的预测精度(2.42%)和良好的稳定性(0.58%),且模型训练时间短(0.2 s),可以满足实际生产过程的需要。     

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。     

古代玻璃制品的成分分析与鉴别问题的数学模型

古代玻璃极易受埋藏环境的影响而风化,考古工作者依据古代玻璃文物样品的化学成分和其他检测手段将其分为高钾玻璃和铅钡玻璃两种类型。采用卡方检验的方法,对玻璃文物的表面风化与其类型和颜色的关系进行差异性分析,通过训练集数据来建立支持向量机回归(SVR)模型,预测风化前玻璃文物的化学成分含量。运用层次聚类算法对该两种玻璃类型的相关数据进行聚类,根据每个类别所对应的化学成分含量在风化前后的变化情况进一步进行亚类划分,然后对分类结果给出灵敏度分析。     

应用同步荧光光谱和支持向量机快速鉴别油茶籽油真伪

为快速鉴别油茶籽油真伪,采用同步荧光光谱和支持向量机建立油茶籽油真伪鉴别模型。结果表明,原始同步荧光光谱通过标准归一化(SNV)预处理,经过主成分分析提取5个主成分,选用径向基函数(RBF)作为核函数,采用经网格搜索和交叉验证优化得到的两个建模参数惩罚因子C=0.5和核参数γ=0.0313,建立的模型最佳。该模型对训练集和预测集的判别率均可达到100%。说明采用同步荧光光谱结合支持向量机可以快速、准确地鉴别油茶籽油真伪。     

利用THz时域谱技术和支持向量机回归法快速测定食用油的过氧化值和酸价

采用THz时域谱技术得到30个食用油样本的吸收谱,随机分为训练集和预测集,利用支持向量回归算法和标准方法测得的参考含量在训练集上建立了食用油酸价和过氧化值的预测模型,并应用此模型对预测集样本进行预测。结果表明该模型对食用油预测的相关系数较传统PLS方法对比更为精确。     

基于支持向量机回归的短期风速预测方法的研究

针对风力发电中的短期风速预测方法研究的不足,文章提出了一种基于支持向量机回归的短期风速预测方法和模型。提出的方法首先选取风电场采集的样本数据,进行预处理后,确定出样本训练集和测试集;在选择向量机核函数后,确定SVM模型待寻优参数,最后利用寻优的最佳参数来训练SVM模型,通过模型来预测未来某一时刻的风速值。文章提出的方法在风速负荷的预测精度和预测方法的收敛速度等方面都有了提高,该方法具有重要的现实意义和应用前景。     

南美白对虾货架期预测指标选择及模型研究

为研究南美白对虾品质指标与货架期之间的关系及南美白对虾在贮藏过程中的品质变化过程,精确预测其剩余货架期,通过检测277,272.2,255K温度下南美白对虾的感官指标、理化指标和微生物指标,分别针对南美白对虾品质检测的综合指标和部分关键指标,以支持向量机模型和BP神经网络模型为基础,建立南美白对虾货架期预测模型。结果表明:基于综合指标构建的货架期预测模型的预测精度(支持向量机为97.71%,BP为91.41%)比基于关键指标的(支持向量机为84.08%,BP为83.76%)高;基于支持向量机的预测模型的预测精度(关键指标为84.08%,综合指标为97.71%)比BP预测模型的(关键指标为83.76%,综合指标为91.41%)高;基于综合指标的支持向量机预测模型的预测精度是4种模型中最高的,为97.71%。该结论也可为支持向量机方法和预测指标选择在其他食品领域货架期的应用研究提供一定的参考。     

改进的支持向量机算法在人脸识别上的应用

支持向量机算法作为一种新的机器学习方法,在处理小样本分类问题上具有明显优势,但核函数和参数的选取直接影响支持向量机算法的性能.针对该问题,文中通过组合全局核函数和局部核函数的混合核函数方法,建立了基于粒子群算法的混合核支持向量机算法,并将其用于ORL人脸数据库的人脸识别测试.结果表明,该改进算法较标准的支持向量机算法具有更高的识别率.     

基于支持向量机的纱线质量预测

针对现有的优化纺纱工艺过程质量预测模型尚无法满足实际生产需要的问题,提出了纱线质量预测的支持向量机方法,并利用网格搜索对该模型的参数进行优化。经毛纱工艺实践表明,在小样本和"噪声"数据环境下,支持向量机模型仍能保持一定的预测精度,同人工神经网络模型相比,更适用于真实纺纱生产过程中的工艺控制。     

加权平均值的改进k-means算法

传统的k-means算法对噪声和孤立点数据是敏感的,少量的该类数据将会影响聚类结果的精度。针对此算法存在的问题,本文提出一种改进的k-means算法,该算法使用基于加权的改进k-means方法确定类中心。实验证明,改进算法大幅度地降低了聚类结果对噪声和孤立点数据的敏感性,提高了聚类正确率。     

基于延展性的机器人面料缝制张力预测方法

针对机器人缝制过程中未知面料期望张力导致面料变形的问题,根据面料的延展性分类训练支持向量机(SVM)模型,通过线性支持向量机模型预测未知面料的延展性;其次,采用模糊逻辑控制系统确定面料特性与期望张力之间的非线性关系;最后,利用毛呢、绸缎、天鹅绒布、摇粒绒布4种面料对SVM模型进行测试,通过模糊逻辑得到面料期望张力查询表,根据期望张力对毛呢和竹节棉麻进行缝制实验。结果表明:在拉伸面料的过程中,线性支持向量机模型预测的延展性最终趋于面料实际的延展性,基于模糊逻辑根据面料延展性和种类可实现对任意面料期望张力的预测,预测张力可满足智能化缝制加工的需要。该研究为避免面料形变从而提高缝制质量提供了前提条件。     

支持向量机在酒精发酵过程建模中的应用

支持向量机(SVM)是近年来发展起来的一种基于统计学习理论,采用结构风险最小化的新型学习机器.将支持向量机应用到酒精发酵生产过程建模中,仿真结果表明,支持向量机模型是有效的,SVM模型比BP网络模型有更好的预测能力.     

基于PSO-LSSVM和特征波长提取的羊肉掺假检测方法

为解决羊肉—猪肉掺假快速检测这一问题,利用多光谱仪器对掺假羊肉进行光谱采集,得到样品在350~1 100 nm 波段下的反射率。对数据预处理后,利用粒子群算法(PSO)对最小二乘支持向量机(LSSVM)进行优化,建立了基于粒子群优化的最小二乘支持向量机模型(PSO-LSSVM),与偏最小二乘(PLS)、反向传播神经网络(BPNN)和LSSVM 3种模型结果进行比较,结果表明,PSO算法能有效优化LSSVM模型,预测的决定系数和均方根误差分别为0.920 4和0.089 2。进一步采用随机青蛙算(RF)、无信息变量消除法(UVE)、竞争性自适应重加权法(CARS)提取特征波长并建立偏最小二乘模型,结果显示,UVE-PLS模型预测集的决定系数和均方根误差分别为0.996 7和0.016 2,UVE优于其他特征波长提取方法。     

卷烟焦油量的支持向量机预测

为探索预测和控制卷烟焦油量的方法,根据卷烟焦油量与烟叶内在化学成分之间的关系,提出了基于支持向量机的卷烟焦油量预测方法。介绍了支持向量回归估计的学习算法,应用SVM方法建立了基于支持向量机的卷烟焦油量预测模型。计算实例表明,该方法能够根据烟叶中的化学成分测量值来预测卷烟的焦油量。     

应用近红外光谱技术对植物油酸值预测的研究

利用近红外光谱技术结合支持向量机对植物油脂酸值含量进行回归预测。收集大豆油、花生油等油样共37份,应用激光近红外光谱仪对油样进行光谱采集,采用标准正态变量变化、多元散射校正和正交信号校正3种不同方法进行预处理。运用网格搜索法进行参数寻优,寻找最佳参数组合(C,g),建立支持向量机回归模型进行定量预测。研究表明,经过SNV、MSC和OSC预处理数据建立的模型的惩罚因子C均只有1,大大降低了模型出现过拟合现象的概率,提高了模型的泛化能力、稳健性和预测能力;预处理方法MSC和SNV建立的SVR模型校正集相关系数R较高,均达到99%;OSC建立的SVR模型具有最佳的预测性能,预测相关系数R达到93%以上;采用激光近红外光谱技术预测植物油脂酸值含量的方法是可靠的,为实现植物油脂酸值的快速检测提供了重要的依据。     

基于GA-SVR的苹果可溶性固形物质量分数的高光谱检测

以建立一种高精度的无损苹果可溶性固形物含量的检测模型为目标,通过提取高光谱图像中圆形150像素感兴趣区域(ROI)内的平均光谱反射率,分别使用Savitzky-Golay平滑处理(S-G)、标准正态变量变换(SNV)和小波变换(Wavelet-Transform)对原始光谱数据进行预处理,然后利用连续投影算法(successive projection algorithm,SPA)提取特征波长,基于特征波长建立BP神经网络(BPNN)和遗传支持向量机(GA-SVR)预测模型。在GA-SVR建模过程中,采用遗传算法获取支持向量机的最优惩罚参数和核函数参数。研究结果表明,S-G预处理后的GASVR模型预测效果最佳,模型的预测相关系数为0.850 5,预测均方根误差为0.303 1,所以基于该ROI内数据建立的GA-SVR模型在提高模型性能方面是可行的。     

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。