基于SVM的棉麻织物近红外光谱快速无损鉴别

将近红外光谱技术与支持向量机(SVM)相结合建立分类模型,用于棉、麻织物的快速无损鉴别。选用径向基函数(RBF)作为核函数,分别采用网格搜索法、遗传算法和粒子群算法对惩罚参数c和核函数参数g进行参数寻优。结果显示,用网格搜索法得到的最佳参数c和g建立的模型分类结果最好,模型对棉、麻训练集的分类准确率分别为100%和99.12%,对预测集的分类准确率均为96.67%。近红外光谱技术鉴别单个样品的时长小于3 min,实现了快速鉴别。结果表明,近红外光谱技术与支持向量机相结合,可用于棉、麻织物的快速无损鉴别。     

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%。     

基于低场核磁共振技术的鲜牛奶冷藏天数的鉴别

应用低场核磁共振技术结合简单分类算法（SIMCA）、线性判别法（LDA）和支持向量机法（SVM）对不同冷藏天数的鲜牛奶进行鉴别,并比较了SIMCA、LDA中不同函数及SVM中不同类型参数、不同核函数的建模效果。结果表明:LDA中Mahalanobis函数建立的模型优于Linear、Quadratic函数的模型;SVM中C-SVM类型的模型优于Nu-SVM类型的模型,径向基函数与线性函数的模型优于S型函数、多项式函数的模型。SIMCA模型的总识别准确率为95.83%,LDA中Mahalanobis函数建立的模型总识别准确率为100%,SVM中C-SVM类型的径向基函数建立的模型总识别准确率为87.50%。由此表明LDA中用Mahalanobis函数建立的模型最适合预测鲜牛奶的冷藏天数。      

基于支持向量机的近红外光谱羊毛混纺面料的无损鉴别技术

采用便携式近红外光谱仪分别采集了羊毛/棉、羊毛/马海毛、羊毛/氨纶、羊毛/丝、羊毛/羊绒5种羊毛混纺面料的近红外光谱,利用支持向量机算法(SVM)分别对原始光谱和经归一化预处理后的光谱建立分类模型。选用径向基函数(RBF)作为核函数,并采用网格搜索法(Grid Search)、遗传算法(GA)和粒子群算法(PSO)对惩罚参数c和核函数参数γ进行参数寻优。结果表明:PSO-SVM模型分类结果最理想,模型对训练集整体分类准确率为100%,对验证集的整体分类准确率为94.87%,其中羊毛/棉、羊毛/马海毛、羊毛/氨纶3类面料的分类准确率均为100%,羊毛/羊绒的分类准确率为95%,羊毛/丝的分类准确率相对较低为85%。     

基于太赫兹时域光谱的芝麻油品种识别研究

为了实现对芝麻油品种的快速鉴别,本文基于太赫兹时域光谱(THz-TDS)提出一种芝麻油品种识别的方法。选取0~2.5 THz范围内的光谱进行分析,通过主成分分析法(PCA)对时域光谱数据进行降维,选择前4个主成分(累计贡献率大于99%)代表原始数据,然后利用支持向量机(SVM)方法对不同品种芝麻油进行分类识别,分类时使用3种不同的核函数建模,并采用网格搜索算法获得最优模型及其模型参数。使用径向基核函数(参数为惩罚函数C=0.01,核函数系数γ=0.1)的模型识别率最高,达到100%,说明太赫兹时域光谱技术结合PCA和SVM方法可以快速可靠的进行食用油的识别,为食品安全的识别提供一种新的技术手段。     

基于PSO-SVM的白酒品质鉴别电子鼻

研制一套白酒品质识别电子鼻,对检测样品的气味数据进行预处理,提取稳态响应值,并作为支持向量机(support vector mchine,SVM)分类模型的输入.为提高识别的准确度,利用粒子群算法(particle swarm optimization,PSO)来优化SVM的参数c和g.不同品质的白酒所对应的电子鼻传感器响应特性不同,PSO- SVM分类模型的识别准确率达到了97.5％.结果证明基于PSO-SVM分类模型具有较强的学习能力和泛化能力,可用于白酒品质鉴别电子鼻.     

改进核函数的支持向量机智能诊断方法研究

针对目前支持向量机(SVM)智能诊断方法核函数选择困难以及参数选择具有随意性的问题,提出了基于模拟退火算法改进核函数的SVM智能诊断方法,重新设计了支持向量机的核函数以及参数。多项式核函数是局部核函数具有较强的拟合能力,而径向基核函数是全局核函数具有较强的外推能力,根据Mercer理论,建立一种由多项式核函数与径向基核函数组合而成的复合核函数,并利用模拟退火算法全局寻优的优点,对支持向量机的参数做最优选择;改进后的SVM运用于轴承故障诊断。研究结果表明:相对于传统SVM法,该方法具有较好的学习效率及较高的诊断准确率;该方法运用于轴承故障诊断领域极大地提高了故障诊断的准确率以及诊断效率。该研究为基于模拟退火算法改进核函数的SVM智能诊断方法应用于机械设备故障诊断提供了相应的理论和实践依据。     

基于嗅觉可视化技术的眉茶等级分类方法

为了快速、准确地对眉茶等级进行分类,提出了一种基于嗅觉可视化技术的眉茶等级快速分类方法。首先,根据卟啉显色反应预实验结果,选定了12 种显色效果明显的卟啉指示剂制备嗅觉可视化传感器阵列,通过该传感器阵列与不同等级的眉茶茶汤进行反应,获取不同的特征图像。然后,对特征图像数据进行主成分分析和降维,将得到的不同维数的主成分分析结果作为输入变量,构建支持向量机（support vector machine,SVM）眉茶等级分类模型。最后,引入3 种群体智能优化算法（萤火虫算法、灰狼优化算法、布谷鸟算法）对SVM分类模型的惩罚因子c和核函数参数g进行优化。结果显示：未经优化的SVM分类模型对测试集的分类正确率为80%,所需的主成分个数为12 个;经过优化的SVM模型的分类正确率均有所提升,其中经过布谷鸟算法优化的SVM模型对测试集的分类正确率达到了93.3%,且所需的主成分个数减少为6 个。这表明应用嗅觉可视化技术能够实现对眉茶等级的分类,而通过群体智能优化算法优化SVM分类模型可以显著增强模型的性能,提高分类正确率。     

萤火虫优化支持向量机参数的近红外光谱技术鉴别卷烟牌号

目的：准确快速鉴别卷烟牌号。方法：采集不同牌号卷烟的近红外光谱,通过光谱预处理方法降低干扰因素后,利用萤火虫算法(FA)优化支持向量机(SVM)参数,考察光谱预处理方法、萤火虫算法的种群数目和迭代次数对卷烟分类正确率的影响。结果：采用标准正态变量变换(SNV)结合一阶导数(1D)方法进行近红外光谱预处理,当萤火虫种群数目为20,迭代次数为20时,优化支持向量参数可达到较好的识别效果,训练集的分类正确率为100%,测试集的分类正确率为96.67%~100.00%。结论：利用近红外光谱技术结合FA算法优化SVM可实现对卷烟牌号的准确鉴别     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

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。     

基于可见-近红外高光谱技术对鸡种蛋性别鉴定的研究

目的 为实现鸡种蛋胚胎性别的无损检测,提出了基于可见-近红外高光谱检测海兰褐鸡种蛋胚胎性别的方法。方法 通过分析种蛋0~14 d大头部位的400~1000 nm波段下的光谱,建立基于偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）的种蛋性别判别模型,比较不同孵育天数下的模型判别率,优选出最佳的检测天数;通过分析四种不同的预处理算法,选出最佳的鸡种蛋胚胎高光谱预处理方法,最后构建基于全波段和特征波段光谱信息的判别模型,并对结果进行比较。结果 基于PLS-DA和SVM的模型在第9 d的预测集结果达到最高,分别为80%和82.5%。主成分分析（PCA）结果表明,雄雌种蛋光谱信息可以进行区分;变量标准化（SNV）为最佳预处理方法;全波段相对于连续投影算法（SPA）、竞争性自适应重加权算法（CARS）选择特征波长的模型更优,建模集、预测集准确率分别为90%和85%。结论 研究结果表明可见-近红外高光谱技术可以快速、较准确、无损检测海兰褐种蛋胚胎性别,该技术为褐壳种蛋胚胎性别鉴定实现在线检测提供了一定的理论基础。     

基于介电频谱的枣果品种鉴别模型的建立

利用LCR测试仪在1~1 000 kHz的频率范围内,选取55个频率点,测定灵武长枣、冬枣和团枣的介电损耗因子ε"频谱和相对介电常数ε’频谱,通过主成分分析(principal component analysis,PCA)法和遗传算(genetic algorithm,GA)法提取介电频谱的有效信息,并选取偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)、线性判别分析(linear discriminant analysis,LDA)和支持向量机(support vector machine,SVM)3种方法进行枣果品种的鉴别模型研究。结果表明,频率和品种对枣果的介电参数均有显著性影响;用PCA与GA方法提取频谱有效信息的建模效果要优于原始频谱的建模效果;SVM法的建模效果要优于PLS-DA与LDA法的建模效果;以介电损耗因子ε"建立的PCA-SVM模型优于介电常数ε’的GA-SVM模型,其预测集的鉴别准确率为100%。因此,基于介电损耗因子ε"频谱的PCA-SVM模型为枣果品种鉴别的最优模型。     

基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究

目的 建立基于近红外光谱的定性分析模型,实现对茶叶的新旧分类和产地溯源。方法 首先采用傅立叶近红外光谱仪采集茶叶样品的漫反射光谱数据,然后使用卷积(Savitzky-Golay,S-G)平滑算法和数据标准化(Normalization)对光谱数据进行预处理,最后基于遗传优化算法(genetic algorithem,GA)和粒子群优化算法(particle swarm optimization, PSO)分别建立了优化向量机模型(support vector machine, SVM),从而实现新旧茶叶的分类以及产地溯源。结果 与GA-SVM模型相比,PSO-SVM模型的建模效果较好,且分类时间更短,在新旧鉴别和产地溯源实验中都达到了100%的预测精度。结论 基于近红外光谱建立的PSO-SVM模型可以实现茶叶新旧的判别以及产地溯源,为鉴别茶叶年份和追踪茶叶产地提供了理论支撑和技术指导。     

玉米品种图像识别中的影响因素研究

为了研究玉米品种图像识别中的关键影响因素,搭建了一套基于PCA和ICA特征提取和支持向量机(SVM)分类算法的玉米品种识别系统,采用扫描仪获得了11个品种每个品种50粒图像,基于图像的像素特征和统计特征,分别研究了主分量分析(PCA)和独立分量分析(ICA)的特征提取和特征优化方法,并进一步考察了支持向量机(SVM)模式分类过程中的关键参数优化问题.试验结果表明,对11个品种550个籽粒的品种最高检出率为97.17％,在同样的情况下ICA优化的特征较PCA优化的特征识别率能提高3％左右,适当选择统计特征比使用像素特征识别率提高约10％,另外SVM参数影响到识别效果,但整体影响不大.本方法与结论对玉米种子纯度和品种真实性检验具有积极意义.     

基于高光谱成像技术的小麦籽粒品种鉴别方法研究

为了更精确地鉴别小麦品种,实现小麦品种快速、无损、有效、稳定的鉴别.利用高光谱成像系统采集6个小麦品种籽粒光谱和图像信息,提取小麦籽粒胚、胚乳、胚和胚乳混合部位的光谱,采用不同的预处理方法对原始光谱进行处理,利用竞争性自适应重加权算法(CARS)和连续投影算法(SPA)提取特征波长,基于全波长和特征波长建立线性判别分析...     

基于优化SVM的虫害图像识别研究

农作物虫害问题严重威胁我国农业及粮食生产安全。针对传统虫害识别智能化水平低、效率低等问题,提出一种基于优化SVM的虫害图像识别方法。本研究以草地贪夜蛾成虫图像作为试验对象,采用HOG特征描述符提取图像特征信息,通过粒子群优化算法对SVM模型的内部参数进行寻优。模型在经过训练后,对简单背景下虫害图像的识别准确率达100%,对复杂背景下样本的识别准确率达93.89%。模型识别效果明显优于其他对比模型,为机器学习在农作物虫害识别中的应用提供一定参考。