基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

基于光谱和Gabor纹理信息融合的油桃品种识别

为实现油桃品种的快速且无损鉴别,对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中,采用偏最小二乘回归(partial least squares regression,简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中,采用主成分分析(principal component analysis,简称PCA)获得主成分图像,并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine,简称LS-SVM)和极限学习机(extreme learning machine,简称ELM)油桃品种判别模型。结果表明,基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%,较单独采用光谱信息和纹理信息的识别率都高,说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别,为农产品无损检测提供参考价值。     

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析（PCA）、无信息变量消除（UVE）和无信息变量消除后结合连续投影（UVE-SPA）3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归（PLSR）模型、最小二乘-支持向量机（LS-SVM）、反向传播神经网络（BPNN）和遗传算法优化的反向传播神经网络（GA-BPNN）模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数（R2）、均方根误差（RMSEp）和相对偏差（RPD）分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。     

基于主成分支持向量机的台风灾害房屋倒塌间数评估

建立了浙江省台风灾害房屋倒塌间数评估模型。运用主成分分析法对表示致灾因子、孕灾环境与承灾体的评估因子进行数据处理,提取主成分作为支持向量机模型的输入,从而建立评估模型;模型历史拟合结果与实际一致。在2008和2009年登陆浙江省的2个台风的实际评估中,评估结果与实际值相符,因此,该模型可用于实际台风灾害房屋倒塌间数评估。     

基于LS-SVM的养殖水体氨氮含量分析预测模型

养殖水体的氨氮含量是水产养殖中的关键水质指标,是评价水体污染情况的基本测量项目。设计一种自动氨氮监测系统,自动抽取水样并定时测量,使用最小二乘支持向量机算法(LS-SVM)建立了分析预测模型,LS-SVM最小二乘支持向量机算法增强了泛化能力,减少了异常样本的预测偏差,提高了预测学习的精度。对基于神经网络模型、基于LS-SVM模型进行了仿真比较,结果显示LS-SVM模型具有更优良的分析预测效果。     

基于最小二乘支持向量机的参考作物腾发量预测

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义.最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种改进算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力,将LS-SVM方法引用于参考作物腾发量预测中,并以辽宁省铁岭市为例,对比分析了 LS-SVM模型与BP模型的预测结果.结果表明:LS-SVM模型学习速度快,具有比BP模型更高的模拟性能和预测精度.LS-SVM方法克服了BP模型训练时间长,容易陷入局部极小的缺点,是适合参考作物腾发量预测的新方法.     

基于高光谱和卷积神经网络的鲜枣黑斑病检测

[目的]为实现鲜枣黑斑特征的识别,提高鲜枣附加价值,采用高光谱成像技术采集了不同年份完好和黑斑鲜枣的信息。[方法]基于全波段光谱,采用偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)和误差反向传播神经网络(Back Propagation Neural Networks,BP-NN)建立单一年份和联合年份的判别模型。采用连续投影算法(Successive Projections Algorithm,SPA)提取联合年份的特征波长;利用主成分分析进行单波段图像的数据压缩,针对主成分图像采用BP-NN和卷积神经网络(Convolutional Neural Networks,CNN)进行黑斑鲜枣识别。[结果]联合年份所建PLS-DA、BP-NN模型的整体判别正确率均达到了99.2%,比单一年份所建校正模型的整体判别准确率高,但单一年份所建模型中BP-NN比PLS-DA的判别精度高;采用SPA提取联合年份的特征波长后所建BP-NN判别模型的正确率为100%;基于主成分图像所建BP-NN和CNN模型的判别正确率分别为78.3%和90.0%。[结论]收获年份是影响校正模型稳定性的一个重要因素,联合年份所建校正模型比单一年份所建校正模型具有更好的预测能力;同时CNN可成功应用于基于高光谱技术的鲜枣黑斑特征识别中,也为其它农产品品质检测提供了新方法。     

LS-SVM在单通道颜色测温中的应用

针对复杂工业环境中高温难以直接测量的问题,提出一种基于最小二乘支持向量机(LS-SVM)的单通道颜色测温方法,利用高温物体的颜色与温度之间复杂的非线性映射关系,采用绿色单通道图像样本特征值建立LS-SVM回归模型实现颜色测温,并与BP神经网络模型进行比较.仿真结果表明,LS-SVM测温模型具有良好的非线性建模和泛化能力,该方法能够间接得到温度测量值,并且具有较高的预测精度,为高温测量提供一个新的有效手段.     

基于近红外技术的落叶松木材密度预测模型

运用近红外光谱对落叶松(Larix gemelinii Rupr)样品密度进行了研究,分别运用偏最小二乘法及主成分回归建立预测模型,并用建立的模型分别对每一个样品进行了预测。基于偏最小二乘法的校正模型及验证模型相关系数分别为0.964和0.918,校正标准误差及预测标准误差分别为0.016和0.021,模型预测值与实测值决定系数为0.93;主成分回归模型中,校正模型及验证模型相关系数分别为0.954和0.911,校正标准误差及预测标准误差分别为0.017和0.023,模型预测值与实测值决定系数为0.91。研究表明:基于主成分回归法与偏最小二乘法的近红外光谱分析建模,都可以实现对落叶松木材密度的有效预测,但相比较而言,偏最小二乘法略优于主成分回归法,所建立的模型对落叶松木材密度预测更加准确可靠。     

基于最小角度回归模型的NIR光谱果品品质分析方法

[目的]本研究旨在提高果品内部品质检测的时效性和准确性。[方法]本文提出基于最小角度回归(Least Angle Regression,LAR)模型的果品品质分析方法。[结果]与现有的非线性LS-SVM(Least Squares Support Vector Machines)和线性的PLSR(Partial Least Squares Regression)模型进行对比表明,在预测准确度上,LS-SVM模型达到了最优的预测性能,而LAR模型明显优于常用的线性的PLSR模型;在计算复杂度上,LAR和PLSR模型明显优于LS-SVM模型;在模型的可解释方面,LAR模型要优于PLSR模型。[结论]LAR模型虽然在预测精度上稍逊于LSSVM,但在模型的实现和计算复杂度以及可解释方面都具有明显的优势,因此提出的LAR模型更能有效地应用于基于NIR光谱的果品品质分析中。     

基于机器视觉和近红外光谱的壶瓶枣无损检测

以壶瓶枣为对象探讨用机器视觉和近红外光谱技术检测壶瓶枣内外品质。通过图像处理技术获取壶瓶枣投影面的边缘提取图像,然后使用最小外接矩形法求得图像的像素点个数,以此求得壶瓶枣投影面的面积。采用MSC对壶瓶枣近红外光谱进行预处理,然后分别采用偏最小二乘法(PLS)、主成分回归(PCR)和偏最小二成支持向量机(LS-SVM)3种建模方式对壶瓶枣可溶性固形物的含量进行预测。结果表明,使用LS-SVM模型获得了最优的预测结果,其预测集的相关系数和均方根误差分别为0.9901和0.328。研究表明,机器视觉结合近红外光谱技术能对壶瓶枣内外品质进行综合检测。     

基于主成分分析法的不同品种甘薯叶品质评价研究

以 6个品种的甘薯叶为试材，测定甘薯叶的水分、脂肪、蛋白质、花青素、绿原酸、咖啡酸、β-胡萝卜素、镁、锌、硒等 20个相关品质指标，采用主成分分析法将品质指标进行降维压缩，并进行分析。结果表明:通过主成分分析，提取前 4个特征值大于 1的综合指标即功能因子、营养因子、营养辅助因子及蛋白质因子，并且前 4个主成分累积贡献率为 96.184%。以各主成分对应的方差贡献率为权重，由主成分得分和对应权重线性加权求和建立综合评价模型，综合评价结果表明紫罗兰的综合评分最高。通过主成分分析法确定了影响甘薯叶品质评价的主要因子依次是功能因子、营养因子、营养辅助因子和蛋白质因子，试验结果为甘薯叶的开发利用及综合评价奠定了基础。     

基于主成分分析的大学生综合素质理论评价模型初探

本文通过大量的调研工作并结合主成分分析方法,从影响到大学生综合素质能力的25项因素中,找出了9个主成分指标,通过分析得出这9个主成分指标的排序为:学习因子创业因子科技竞赛活动因子服务因子特长因子文体因子个人能力因子爱心因子学术因子,并且初步构建了大学生综合素质理论主成分评价模型,该模型能较为全面地评价大学生的能力,为科学合理的培养大学生综合素质提供了依据。     

基于核主成分-聚类分析的土壤质量评价方法

针对传统主成分分析处理非线性问题的不足,采用基于核主成分-聚类分析的评价方法对土壤质量进行评价并分类。先利用核主成分分析剔除原始数据中存在线性相关和信息重叠的指标,再利用得到的主成分代替原来的评价指标,对土壤质量进行聚类分析。结果表明,该方法准确客观,可为土壤评价提供参考依据。     

基于PSO-BP神经网络的外贸发展状况的评价

以我国对外贸易的实际情况为基础，建立了评价外贸发展状况的一套指标体系.使用主成分分析方法对所有评价指标进行预处理之后，借助粒子群优化算法改进了BP神经网络算法，构建了外贸发展状况的评价模型.评价模型在具体应用中，评价结果较为准确，具有一定的科学性和合理性.     

基于主成分分析法的农业科技网站评价方法研究

农业科技网站是服务＂三农＂和推进农业信息化的重要载体。通过构建农业科技网站评价模型,并利用主成分分析法进行分析,最后运用该模型使用SPSS13.0对18个农业科技网站进行了综合排名,并根据评估结果对农业科技网站进行了分析评价,为农业科技网站建设提供参考。     

基于化学成分含量评判信阳红茶质量等级方法研究

采用主成分分析(principal components analysis,PCA)法,对测定的信阳群体种原料加工的不同嫩度、不同等级10份信阳红茶样品中11个化学成分进行分析。构建了基于信阳红茶化学成分含量的质量评价模型:F=0.29181F1+0.23078F2+0.13092F3+0.13468F4+0.07793F,通过感官审评方法对模型预测结果进行检验。结果显示两种评判方法结果具有一致性,为依据化学成分含量划分信阳红茶质量等级提供了参考。     

基于主成分分析法的南淝河水质综合评价

基于主成分分析理论,建立了水质综合评价模型,以南淝河为例,对南淝河的水环境质量进行综合评价。结果表明,南淝河流域水环境质量总体较差,有机污染物是造成南淝河水质污染的主要原因。     

基于主成分分析和聚类分析的贵州烟叶品质类型划分

本研究把烟叶外观质量评价和常规化学成分评价相结合,建立基于主成分分析和聚类分析的Fisher判别函数的烟叶质量评价模型,对贵州烤烟的品种类型进行划分,旨在为烟叶质量评价提供科学方法,并在生产上进行指导。