基于图像处理和支持向量机的初烤烟叶颜色特征区域分类

颜色是烤烟烟叶品质的重要外在指标之一, 在生产中, 同类颜色烟叶在不同产地却往往存在着较大的差异。采用区域生长方法对烟叶图像进行分割预处理, 然后提取烟叶的颜色特征, 再运用一种新的机器学习算法—支持向量机分类方法对我国烟叶颜色特征进行区域分类。结果发现在小样本情况下, 采用径向基函数作为支持向量模型的核函数, 并确定了适当的模型参数, 所建立模型对烟叶颜色区域特征的回判识别率达100%, 预测识别率达86.67%。支持向量机对典型产地烟叶颜色的分类识别具有良好的应用性能。     

柴达木地区枸杞种植区遥感提取方法对比研究

枸杞作为柴达木地区特色经济作物之一,利用高分辨率遥感影像开展枸杞种植区识别与提取,有利于政府和农业部门开展市场调控和作物精细化管理。以柴达木典型枸杞种植区诺木洪农场为例,利用随机森林、Softmax、支持向量机、BP神经网络和最大似然5种分类器开展农场内不同生长年限枸杞种植区精细化提取,并对结果进行精度验证。结果表明：采用随机森林的分类效果最佳,其总体分类精度达到93.8%,Kappa 0.93,采用Softmax、支持向量机和BP神经网络方法也均获得了较高的分类精度,其总体分类精度均达到了86.6%~87.6%,Kappa系数达到0.84~0.86,而最大似然法分类效果最差,其总体分类精度仅为76.9%,Kappa系数为0.73。通过实验利用国产高分辨率卫星结合较优的分类器能够实现包括枸杞等小宗特色经济作物种植区域和种植结构的精细化识别和监测。     

基于支持向量机的蘑菇毒性判别研究

毒蘑菇和可食用蘑菇在外表上非常相似,依靠传统方法难以判别。为了实现判别上的自动化和增强可靠性,提出了一种基于支持向量机的蘑菇毒性判别方法。首先给出了数据样本和数据预处理的方法,其次建立C-SVM模型并进行训练,同时依照一对一方法实现了支持向量机的多分类,最后使用定步长探索法获得了模型的最优参数。仿真实验对比分析了不同样本量,不同参数下所提方法的准确度,验证了该方法在蘑菇毒性判别上的可行性。同时,使用神经网络、决策树方法进行分类器间的性能对比,发现与神经网络、决策树的判别结果相比,所提方法具有准确率高、操作方便、实用性强等优点。     

基于SAGA-SVR的马铃薯贮藏库温度预测方法

马铃薯贮藏库温度受室外温度、室内马铃薯呼吸释放温度、通风降温等因素的影响难以准确预测,提出了一种改进遗传算法(Genetic Algorithm,GA)优化支持向量回归机(Support Vector Regression,SVR)的马铃薯贮藏库温度预测方法。该方法针对支持向量回归机参数难以选择、容易陷入局部极小的缺点,引入了具有并行性、全局搜索能力强的GA算法,结合局部搜索能力强的模拟退火算法(Simulated Annealing,SA),实现支持向量回归机的自动寻优。以新疆某农产品加工公司马铃薯贮藏库实测温度数据为样本,建立SAGA-SVR马铃薯贮藏库温度预测模型,进行贮藏库温度准确的预测。仿真结果表明,与GA-SVR、反向传播(Back Propagation,BP)温度预测模型的预测结果相比较,SAGASVR预测结果优于GA-SVR、BP预测结果,具有良好的预测效果。该预测方法较好地解决了系统非线性、小样本等问题,为类似应用场合地温度预测提供参考。     

基于支持向量机方法的森林火险预测研究

以利用气象数据预测森林火险等级为目的,使用半正定规划建模选定支持向量机的最优核函数,依据500余条林火数据建立了支持向量回归机模型,并使用回归误差特征曲线图对比分析各个回归模型的学习效果。分析得到该自定义核函数的均方误差为1.76,支持向量数为190,约占训练数据集的1/2。结果表明,与传统的线性回归方法及基于高斯核的支持向量机相比,该预测模型具有较高的准确率并且有效的避免了过学习的现象。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84 %、13.95 %和3.24 %,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明：AWLS-SVM预测的累积负荷误差为4.56 MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

一种新的储粮害虫图像边缘检测的元胞自动机法

采用元胞自动机进行虫体图像边缘检测,并与其他几种边缘检测算子的检测结果进行比较。同时以包括元胞自动机在内的6种边缘检测结果为基础,结合RBF神经网络算法和SVM支持向量机算法,对粮虫图像进行了识别。识别结果表明,基于元胞自动机边缘检测的粮虫识别正确率优于其它边缘检测算法。     

基于时间序列SVR模型的玉米价格预测研究

研究旨在运用时间序列和支持向量回归(support vector regression,SVR)理论,建立短期玉米价格预测模型,为玉米市场监测预警提供技术支持与决策依据。本研究根据玉米价格序列波动的非线性特征,以河南省2010年1月1日—2019年6月30日的月度数据为研究对象,结合混沌性时间序列与SVR理论,研究一种短期玉米价格预测模型。通过相空间重构的方法对价格序列进行处理,利用重构后的数据训练模型,运用网格交叉验证(GridSearchCV)对研究模型进行优化。得到一种基于时间序列支持向量回归的玉米价格预测模型。将研究模型的预测结果进行对比分析,结果显示,研究模型的预测值更贴近真实值,其平均相对误差(MRE)和均方根误差(RMSE)分别为0.006和20.57,优于传统支持向量回归模型的预测结果。研究模型可以为玉米价格预测提供方法依据,且相较于传统预测方法在精度方面具有优势。     

基于支持向量机的北京市湿地变化预测研究

为了实现北京市湿地的可持续发展与科学管理,利用遥感和GIS技术对北京区域遥感数据进行分析,进而获取湿地不同类型数据,由于湿地面积是典型的小样本数据,将支持向量机引入到时间序列模型定阶的方法中,然后采用K交叉验证方法寻找最优参数,建立北京湿地变化预测模型。通过对北京湿地历年数据进行模拟,并与RBF神经网络的预测模型作比较来验证SVM预测模型的有效性,运用此模型预测北京湿地未来的变化。结果表明：时间序列模型预测湿地变化有较高的预测精度和较强的泛化能力。预测结果显示：北京湿地在未来几年内,水库、河流,运河,沟渠面积将逐年减少,水稻田面积将持续下降,养殖面积将增大。其预测结果符合现实北京湿地变化趋势,研究结果为北京湿地的可持续发展和科学管理提供了依据。     

基于粒子群算法和支持向量机的黄花菜叶部病害识别

使用数字图像处理技术,以黄花菜叶部病害图像为识别对象,基于Lab空间和K-means聚类算法分割病害区域,提取目标区域的颜色特征、方向梯度直方图(histogram of oriented gradient,HOG)特征和形状特征,分别建立单一特征模型和特征融合模型,采用粒子群(particle swarm optimization,PSO)算法通过交叉验证优化支持向量机(support vector machine,SVM)模型的惩罚因子和核参数,建立基于PSO-SVM的多特征融合分类模型识别黄花菜病害。基于SVM的多特征融合分类模型识别率高于单一特征分类模型,识别率可达为81.67%;基于PSO-SVM多特征融合分类模型识别率高达92.39%。基于PSO-SVM的多特征分类模型识别率高,可以及时、便捷、高效地识别黄花菜病害。     

Multi classification Method of GA SVM on Identifying Grade of Expansive Soils

Aiming at the fact that parameters in support vector machine(SVM) model were difficult to be identified, a genetic algorithm SVM(GA SVM) was proposed to avoid the blindness in parameter choosing and improve the estimation ability of SVM, in which the parameters in SVM and kernel function were searched by genetic algorithm. And it was then applied to the classification for the swell and shrink grade of expansive soils. Five indexes including liquid limit, total swell shrink ratio, plasticity index, water contents and free expansive ratio were adopted as discriminated factors. And the four grades of the expansive soils were the outputs correspondingly. Classification function was obtained through training a large set of expansive samples. And it was shown that the classification method of GA SVM was effective and with high accuracy.     

基于颜色和纹理特征的花生仁外观品质检测研究

为了提高对花生仁外观缺陷的在线分类准确率及效率。通过对采集完好、破损、霉变的花生仁RGB图像进行均值位移法、灰度处理以及阈值分割等预处理,研究提取了花生仁HSV颜色空间下的H、S、V各分量的一阶矩和二阶矩共6个颜色特征值,再基于灰度共生矩阵法提取能量、熵、对比度、逆差分矩共4个纹理特征值,构建颜色和纹理结合的特征向量,最后分别采用BP神经网络和SVM分类器对花生仁进行分类识别。结果表明：在花生仁的整体识别准确率上,BP神经网络为96.67%,SVM分类器为97.22%,后者优于前者,在识别时间上BP和SVM分别为2.5 s和1.1 s,识别效率上也是SVM更好,综合识别准确率和效率两方面考虑,优先选择SVM分类器模型来对花生仁进行分类识别。     

Artificial Neural Network Fault Diagnosis System Based on Rough Set Theory

On the basis of fault diagnosis neural network model, in this paper, knowledge representation system of rough set theory is taken as a major tool to delaminate the complex neural network and in which unnecessary properties are eliminated. This method overcomes some shortcomings, such as network scale is too large and the rate of classification is slow. The good effect that reduces the matching quantity of pattern search in classification course is gotten. The structure and algorithm of layered-mining neural network model based on rough set theory are also given. The example shows that this system has higher reference value in practical application.     

Dynamic Prediction Analysis of Surrounding Rocks Stability for Non-symmetric Double-Arch Highway Tunnel

During the construction of non-symmetric double-arch rock highway tunnel, the complicated geological condition may affect the safety of the constructor and the engineering quality. In this paper, two treatment methods are put forward. At first, the site monitoring of surrounding rock displacement must be carried out, then, BP neural network is applied in predicting the displacement of surrounding rock based on the learning sample of measured value, so the stability of surrounding rocks may be analyzed and forecasted. During the analysis of BP neural network, the effects of joint and fracture of surrounding rock on displacement can be comprehensively considered, comparing the predicted values of displacement with those by FEM. The results show that not only the predicted error of BP neural network is relative small, but the predicted values of surrounding rock displacement are close to measured ones. So, the predicted values of BP neural network are reliable and may guide the engineering construction in site.     

基于多时相双极化SAR数据的作物种植面积提取

及时准确地获取农作物的空间分布信息和种植面积,在农业生产管理与农业政策的制定等斱面具有非常重要的作用。本文以多时相Sentinel-1A影像(4月17日、5月5日、6月16日、7月22日、8月27日、9月2日)为主要数据源,根据研究区作物的物候特征,提取棉花、玉米和果树在不同生长期的后向散射系数(Sigma)和归一化后向散射系数(Gamma)。通过对作物不同极化、不同时相后向散射系数的统计,建立散射特征时序变化曲线,幵分析其特征。利用人工神经网络(Artificial neural network)、支持向量机(Support vector machine)和随机森林(Random forest) 3种分类斱法对研究区的主要农作物迚行分类识别以及种植面积提取,幵对分类结果对比分析和验证。结果表明, 1)棉花的后向散射系数在6月现蕾期和7月开花期明显上升,8月仹达最高值,变化特征最明显,易与其他作物区分;玉米和果树的后向散射系数在9月仹与其他地物之间表现出显著差异。2)相较于神经网络和支持向量机,随机森林的分类效果最好,总体精度达88.97%。其中,对棉花和果园的分类精度为90.88%和93.17%,对玉米的分类效果最差,仅有71.6%。综上所述,多时相双极化SAR数据在不同类型作物的识别及面积提取斱面具有一定的应用潜力。     

基于GWO优化SVM的小麦籽粒优劣分级研究

小麦籽粒优劣不仅是产量及品质的重要决定因素,也是育种适应性的综合指标。为了提高小麦籽粒优劣分级的准确率,同时克服神经网络中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种灰狼算法（GWO）优化支持向量机（SVM）的小麦籽粒优劣分级方法,以航麦8805为研究对象,利用图像处理技术对小麦籽粒图像进行预处理并提取小麦籽粒的形态、颜色和纹理等21个特征。然后采用灰狼算法对支持向量机的两个参数（c、σ）进行优化,建立GWO-SVM模型,从而对小麦籽粒进行优劣分级。与其他算法相比,GWO优化SVM的算法对小麦籽粒的分级准确率有明显的提高,对小麦籽粒优劣分级的准确率可达到95.08%。     

基于近红外光谱的小麦品质分类研究

为了快速、简便、准确地鉴别小麦品质的类别,本研究提出了应用近红外光谱分析技术结合BP神经网络的鉴别方法对小麦进行品质分类。研究过程中对小麦样品的光谱数据进行了详细分析,采用马氏距离剔除了光谱数据中异常数据,并通过主成分分析说明利用近红外光谱鉴别小麦品质分类的可行性。为了提高所建模型的性能,采用SPXY算法对小麦样品进行合理的划分。并选取了一阶微分加归一化的预处理方法来处理光谱数据,消除无关信息和噪声对小麦光谱数据的影响。运用偏最小二乘法压缩光谱数据,减少了数据量,节省建模时间。最后采用BP神经网络方法建立了小麦品质分类模型。实验结果显示：模型的鉴别效果较好,对强筋样品识别的准确率高达94.4%,弱筋样品识别的准确率高达100%。实现了快速、准确地对小麦品质强筋和弱筋两类的鉴别,对小麦生产、市场交易及食品加工有着非常重要的意义。     

The application of rough sets-neural network theory to mine ventilation system evaluation

To solve the instability problem of established sample in the neural network evaluation method for mine ventilation system, a comprehensive evaluation of the ventilation system is carried out based on rough sets and BP neural networks. Taking the ventilation system of a mine as an example, the classification quality of raw data samples are tested by using rough set data analysis system. Then, based on artificial neural network theory, a rough sets-neural network evaluation model of a mine ventilation system is established and a new rough sets-neural network evaluation method of mine ventilation system is formed. The results show that, after the model validation of data and application, its theoretical evaluation results are in line with the actual situation, and the network total error is less than 0.004. It shows that the comprehensive evaluation method based on rough sets-neural networks has a good effect in evaluating mine ventilation system in practical application.     

基于LVQ神经网络森林立地类型划分研究

传统方法森林立地类型划分是通过对森林立地系统的各因子之间的关系,通过用简化、依赖和间接的数学公式来反映,结果所建立的模型分类与评价效果并不理想。为了解决传统方法的瓶颈,笔者利用LVQ神经网络建模理念,尝试探讨一套新的立地分类方法。结果表明,LVQ神经网络模型对森林立地类型划分结果能较好地反映实际情况,可以为林业经营者营林规划提供参考。