主成分回归分析法在精纺毛织物透气性与结构参数关系模型构建中的应用

为了研究精纺毛织物透气性与基本结构参数的关系,利用主成分分析方法对织物基本结构参数进行降维处理,得到4个互相独立的主成分。以主成分为自变量,透气性为因变量,采用回归分析的方法建立了透气性与提取主成分的关系模型。结果表明:建立的回归方程Q=208.544+0.119Z1-0.036Z2-0.145Z3-0.331Z4,达到非常显著水平,对透气性进行预测是可行的。通过主成分分析可知,主成分Z1、Z4是决定精纺毛织物透气性的主要因素。     

近红外光谱测定苹果饮料中原果汁含量

提出了一种遗传算法优化支持向量机参数的近红外光谱技术对苹果饮料中原果汁含量的快速测定方法。在确定光谱数据预处理方法的基础上,通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优,将优化出的参数代入SVM预测模型中,得到基于遗传算法的SVM模型,利用此模型对苹果饮料中原果汁含量进行预测研究。结果表明,建立的SVM模型对预测集的决定系数为0.9757,能快速测定苹果饮料中的原果汁含量。      

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。     

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。     

基于内在品质参数的乌龙茶等级判别模型建立

茶叶等级评价是检测茶叶品质的重要技术手段,科学建立茶叶等级评价模型具有重要意义。本文以102个乌龙茶为研究对象,采用多种特征值筛选方法结合支持向量机算法建立基于特征内在品质参数的乌龙茶等级评价模型。同时,采用高光谱技术结合化学计量学,对特征品质参数建立基于特征波长的粒子群算法优化反向误差神经网络神经网络（PSO-BP）和麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）的定量预测模型,最后对定量预测的化学值模型验证。结果表明,当参数组合酯型儿茶素、简单儿茶素、茶多酚、水浸出物、咖啡碱、表没食子儿茶素没食子酸酯（EGCG）六种化学值时的乌龙茶等级模型判别准确率最高,训练集的准确率为97.22%,预测集准确率为93.33%。基于特征波长的麻雀搜索算法优化最小二乘支持向量机（SSA-LSSVM）定量预测模型的预测精度更高且均方根误差更低,预测集的决定系数R2均在0.93～0.99之间。随机抽取30个乌龙茶样本六种化学值的最佳预测值,其判别准确率达90%。综上所述,基于内在品质参数组合对不同等级的乌龙茶准确判别是可行的,且基于高光谱技术的预测模型可以快速精准的获得其化学值大小,预测的化学...     

薄型精纺毛织物透气性与织物结构参数的关系

采用Y561织物透气量仪对14种不同结构参数的精纺薄型毛织物进行透气性实验,并借助应用软件对实验数据进行分析.研究结果表明:薄型精纺毛织物的透气性不仅与纱线原料的吸湿性,经纬纱捻度、线密度有关,还与织物组织、经纬密有很大的关系,但薄型毛织物的厚度对透气性影响较小.     

基于改进支持向量机的温室大棚温度预测

针对温室大棚中影响温度预测的因素以及温室大棚温度变化存在的非线性问题,提出基于改进支持向量机的温度预测模型。支持向量机选择性能较好的RBF核函数,结合网格搜索算法对支持向量机的核参数和惩罚因子进行动态寻优,考虑光照强度、湿度、风速对温度的影响。实验结果表明,与其他模型相比,改进的支持向量机预测误差更小,精度更好。     

基于因子分析的精纺毛织物透气性能的系统聚类

采用因子分析方法对20种精纺毛织物的12个与透气性密切相关的结构参数进行优化提取,结果表明:12个结构参数可以综合成4个因子变量,分别代表着织物结构特征中的紧密程度、厚重、经纬交织结构相、纱线规格等4个方面。以因子得分及透气性为变量,对20种精纺毛织物进行了系统聚类。结果表明:聚类水平控制在λ≤5较为合适,在该水平下,精纺毛织物的透气性可以划分为4个区间,每个区间内的织物具有相似性。     

应用粗糙集和支持向量机的熔喷非织造布过滤性能预测

为预测熔喷非织造布的过滤性能,提出基于属性约简和支持向量机的预测方法。运用粗糙集理论在ROSETTA 环境下对含有9 个参数的熔喷非织造纤网结构参数全集进行约简,得到6 个各含3 个参数的约简集。分别将参数全集及各个约简集作为输入建立基于支持向量机（SVM）和ＢＰ 神经网络（BP-ANN）的28 个过滤性能预测模型,运用交叉验证法进行模型结构参数优化。结果表明：以含厚度、纤维直径和孔径的约简集为输入,基于ＳＶＭ模型预测准确度最高;其对过滤效率和过滤阻力的预测精度均超过98%,且CV 值均小于2%,表明这3 个参数是影响熔喷非织造布过滤性能的核心要素;基于SVM 模型的预测准确度总体优于基于BP-ANN模型的。     

轻薄型精纺毛织物的结构参数对其服用性能的影响

通过对8种轻薄型纯毛精纺织物的结构进行分析,并对其抗皱性、刚柔性、悬垂性和透气性等主要服用性能进行了测试.运用灰色系统中的灰色关联理论对结构参数和服用性能指标进行数据处理,分析了轻蒲型精纺毛织物的结构参数与服用性能的关系.结果表明:纱线的线密度对织物服用性能影响最大,其次是单位面积质量、织物厚度和紧度,为设计高档精纺毛织物提供了理论依据.     

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。     

融合改进vgg16模型与SVM的抓毛织物检测方法

针对抓毛织物检测准确率低的问题,提出一种融合改进vgg16模型与SVM的抓毛织物检测方法。先对抓毛织物图像进行主成分分析、奇异值分解预处理操作,通过数据增强得到扩充后的数据样本,在扩充后的抓毛织物图像输入改进的vgg16卷积神经网络模型,利用卷积神经网络自动获取抓毛织物样本的特征,将获取的抓毛织物输入支持向量机分类器中对抓毛织物进行分类。实验结果表明：融合改进vgg16模型与SVM的抓毛织物检测方法在样本测试集平均识别准确率为99.96%,通过对比预处理前后的4类抓毛织物图像以及对抓毛织物特征可视化结果表明,图像预处理提高了模型的鲁棒性和泛化能力,随着卷积层数的增加能够获得具有分辨力较高的抓毛织物表面特征。     

基于SVM的纱线生产工艺智能优化研究

针对纺织企业在纱线生产工艺控制方面存在的问题,以及现有纱线质量控制方法存在的不足,将质量相似度模型和支持向量机应用到纱线生产工艺调整问题中。利用遗传算法对支持向量机的2个关键参数C、σ进行寻优,得到支持向量机纱线质量预测模型,在原有工艺方案的基础上,根据生产质量要求,调整局部工艺参数,然后通过质量预测模型进行质量预测,实验显示,该方法能满足纱线生产的质量控制和决策要求,为纱线多品种、小批量生产下的工艺设计和优化提供了新的思路和方法。     

乳制品冷链物流预警研究

针对乳制品冷链物流过程中的质量问题,提出基于支持向量机的乳制品冷链物流预警方法。通过分析乳制品供应链的特点及业务流程,结合其安全现状和影响因素,根据层次分析法建立预警指标体系。对比不同核函数下支持向量机的预测精度,整合安全风险预警指标体系,构建基于径向基核函数的支持向量机预警模型。在MATLAB平台下结合LIBSVM工具箱对支持向量机参数编程寻优。实例分析表明,参数优化后的支持向量与默认参数下的支持向量机以及BP神经网络相比,运算速度更快、预测精度更高,能够有效地对乳制品冷链物流进行预警,具有较强的操作性和实际意义。     

支持向量机方法在烟叶可用性预测中的应用

为了对烟叶可用性分类进行评价,采用不同的核函数建立烟叶可用性支持向量机(Support Vector Machine,SVM)预测模型,对预测集样本进行预测,并与Fisher法的预测结果进行了比较。结果表明,SVM算法所建立的数学模型的预测准确率均比Fisher法高,且以径向基函数(RBF)建立的SVM分类模型的预测效果最好,对预测集样本的准确率达90%,说明SVM分类模型能较好地预测烟叶可用性。     

基于BP神经网络的精纺毛织物透气性能的预测

在34种精纺毛型织物实验数据基础上,利用三层BP神经网络方法,建立了织物透气性能与织物结构参数之间的神经网络模型,重新采集7种织物对网络模型进行验证和评估,结果表明:神经网络可以用来预测织物的透气性能指标,织物透气量的预测误差率范围为3%～24.2%,平均误差率为14.3%,最大误差率小于25%,神经网络预测精度受样本大小影响,进一步丰富学习样本后,神经网络的泛化能力可望得到改善.     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于人工神经网络的弹力毛织物透气性能的预测

本文探讨了弹力毛织物的透气性能和织物结构参数之间的关系。在对12种典型弹力毛织物实验数据测试的基础上,利用人工神经网络方法,建立了织物透气性能与织物结构参数之间的网络模型,并对模型进行验证和评估。结果表明可以用神经网络来预测弹力毛织物的透气性能指标。     

基于THz-ATR技术的水稻品种快速无损识别研究

水稻的品质和产量与自身品种密切相关,本研究应用太赫兹衰减全反射式(THz-ATR)技术采集8个品种水稻种子0～359.97 cm^-1光谱,并通过光学参数计算得到样本集的折射率谱和吸收谱。采用3点移动窗口平滑预处理和支持向量机分别优化及建立基于折射率和吸收系数的8个水稻品种识别模型,其中基于吸收系数的SVM模型预测准确率为98.5%,基于折射率谱的SVM模型预测准确率为89%;实验结果表明,将THz-ATR技术用于水稻品种识别具有初步可行性,有望为水稻品种快速鉴定提供为参考。     

基于MIV-SVM的烤烟评吸质量预测模型

支持向量机是一种基于结构风险最小化原则的机器学习方法。 支持向量机建模相对容易、模型稳定及预测精度高,且对非线性问题有很好的效果,是一种良好的经验模型。本文在matlab环境下利用libsvm软件包建立利用烤烟化学指标对烤烟评吸质量预测的支持向量机模型,利用MIV法筛选变量,选取挥发性酸、石油醚提取物、钾、还原糖、烟碱为模型输入变量;参数优化后最佳c值为0.10882,g值为9.1896;训练样本预测值与实际值的相关系数R为0.9903,测试样本预测值与实际值的相关系数R为0.9966;预测误差分布在[-1,1],预测模型在一定程度上是可靠的,能够为烤烟评吸质量的评价提供理论指导,在评估烟叶利用价值及合理设计叶组配方方面提供了参考依据。