生物质热解产物综合利用方案及经济可行性

通过收集秸秆类生物质热解数据,构建热解产物数据库,从而建立SVM生物质热解产物模型,提出基于农业园区的生物质分级利用一体化方案,同时利用产物模型基于该方案进行个性化种植优化调节。在处理量400kg/h的情况下,与传统秸秆还田方案相比,该方案能够处理掉25%~50%的还田秸秆。在秸秆处理和肥料采买项目上,园区可节省相关支出近30%,采取优化方案可在此基础上再减少支出近4%。     

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。     

基于机器学习和图像处理技术的病虫害预测

针对传统病虫害预测过于繁琐、准确度低的现状,提出一种基于图像处理与SVM(支持向量机)结合的病虫害预测算法,并对未来几年病虫害可能发生的面积进行了有效预测.首先通过图像滤波、特征提取等图像处理技术得到昆虫数学形态学特征,然后结合往年病虫害数据对特征进行标签设定和科学分类,继而对未来病虫害的发生进行合理预测.通过构建动态预测模型进行有效的、科学的病虫害预测预报.最后,通过与实际值进行对比,预测精度达到了90%.实验结果表明,该方法具备较好的预测精度,是一种合理科学的预测方法.     

基于粒子群优化的支持向量机算法识别人类基因启动子

人类基因启动子识别是医学研究的基本需要。提取DNA序列碱基的PZ曲线特征、二核苷酸空间结构特征、保守信号似然得分,以及K联体似然得分,结合GC含量变化和非均匀指数,构建基于粒子群优化的支持向量机算法来识别人类基因启动子。利用粒子群优化支持向量机参数进行优化避免了人为选择的随机性,并且在分类问题中表现出较好的稳健性。对测试集的10-折交叉检验结果为:敏感性为92%,特异性为91%,马修斯关联系数为0.83。该结果表明,基于粒子群优化的支持向量机算法能有效识别启动子序列。     

基于BPSO和SVM的烤烟烟叶图像特征选择方法研究

利用图像特征对烟叶进行分级时,提出了一种对烟叶图像特征进行有效选择的新方法——利用二进制粒子群算法联合SVM模型自适应地选择对烟叶分级影响较大的特征,剔除对分级影响较小或相互间有关联的某些特征,并利用Adaboost和RBF分类器进行验证。结果表明,用SVM分类器时,用被选特征比输入全部特征具有更好的分级正确率;对于相同的分类器,利用二进制粒子群和SVM算法自适应筛选后的特征比输入全部特征具有更好的分级吻合率。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于Adaboosting_SVM算法的多特征蛋壳裂纹识别

以无裂纹蛋和裂纹蛋为测试对象,采用机器视觉技术和支持向量机等技术手段,分析无裂纹蛋和裂纹蛋在图像上的差异,提取特征参数,实现蛋壳裂纹的自动识别;针对蛋壳表面的亮斑,对预处理后的图像运行消除亮斑算法并进行区域标记。在此基础上,从5个不同视角提取13个能够表征无裂纹蛋和裂纹蛋的特征参数,分别是图像标记区域参数(区域标记数和标记点数)、几何特征参数(长轴和短轴)、基于Freeman链码的形状参数(形状数)、纹理特征参数(均值、标准偏差、平滑度、三阶矩、一致性、熵)和频谱特性参数(最大幅值和最大相位)。采用Adaboosting算子对上述特征参数进行优化,突出影响因子较大的参数组合,作为SVM的输入向量,建立蛋壳裂纹的识别模型。结果表明:该方法对蛋壳表面的亮斑、微小裂纹及普通裂纹均具有识别能力,模型正确率达97.5%,符合蛋品企业对蛋壳裂纹检测的精度要求。     

基于组合色彩特征的苹果树叶片各生长期氮含量预测

为精准预测开花期、幼果期和果实膨大期苹果树叶片的氮含量,提出一种基于组合色彩特征的苹果树叶片氮含量预测模型。首先,获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征,通过主成分分析提取不同时期苹果树叶片氮含量关键影响因子,消除原始变量之间的相关性,降低模型输入向量维度;其次,对建立的PCA-SVM、PCA-BP、PCA-ELM预测模型在不同时期对苹果树叶片氮含量预测效果与精度进行对比,得到不同时期最佳的预测模型;最后,利用最佳预测模型对不同时期苹果树叶片氮含量进行预测,并通过自适应遗传算法对最佳预测模型参数进行优化。试验结果表明：在不同生长时期,PCA-SVM模型的预测精度均高于PCA-BP、PCA-ELM模型;优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544g/kg,平均绝对百分误差分别为0.057、0.050、0.064g/kg,均方根误差分别为0.800、0.747、0.737g/kg,优于优化前预测模型。该模型具有良好的预测性能和泛化能力,可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。     

基于支持向量机的小流域水蚀预报模型研究

 土壤侵蚀过程复杂,很难直接应用土壤侵蚀预报方程进行定量计算。作为一种新的机器学习算法,支持向量机在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题,从而得到唯一的全局最优解。首次尝试将最小二乘支持向量机技术用于土壤侵蚀预测,并与BP神经网络的方法进行了对比,取得了较好的预测精度。     

基于HSV空间颜色直方图的油菜叶片缺素诊断

为实现快速而准确的油菜缺素诊断,根据不同缺素导致叶片颜色的变化,提出一种基于HSV颜色空间的非均匀直方图量化和组合多个支撑向量机分类器的智能化油菜缺素分析与诊断方法。采用霍格兰配方配制营养液,并使用山崎配方无土栽培技术,模拟正常、缺氮、缺磷、缺钾、缺硼5类营养状况下的油菜生长条件,栽培了一批甘蓝型双低油菜新品种阳光2009,采集幼苗期5类油菜叶片图像建立缺素数据库。首先使用主动轮廓模型分割油菜叶片区域,然后提取分割后的油菜叶片区域的HSV颜色直方图特征,并采用非均匀量化表征不同缺素油菜叶片图像的颜色差异,最后利用一对多方案训练多个支持向量机（support vector machine,SVM）分类器实现不同缺素油菜叶片图像的分类识别。缺素分类试验结果表明,该方法能较准确地判别常见油菜的缺素类型,对5种缺素的总体识别率达到93%,为数字化和智能化的油菜营养分析与诊断提供了一条有效途径。