基于最小二乘支持向量机的泵性能分析

泵的性能曲线是泵选型、优化调度和泵站运行的重要依据,通常该曲线均是通过试验或是根据试验数据和性能图表上的数据进行曲线拟合而获得,但这些方法复杂昂贵,而且拟合精度不高。针对以上方法的缺点,提出了一种基于交叉验证最优参数选择的最小二乘支持向量机（LSSVM）泵性能预测方法。通过最小二乘支持向量机（LSSVM）学习算法网络的设计和构建,并应用网络搜索－交叉验证的方法对支持向量机参数进行优化选择,模拟得到复杂和非线性很强的泵的性能曲线,经优化模型输出值和试验值、同多项式拟合值以及径向基神经网络误差的比较,交叉验证最优参数选择的最小二乘支持向量机具有优良的非线性建模能力和泛化能力,在有限学习样本条件下仍获得了很高的精度,平均相对误差为0.02378%,为泵的性能分析提供了一种简便可行的智能方法。     

基于VFSMOD模型的黄土坡面生草带产流产沙动态模拟

利用微型径流小区和人工降雨试验,探讨运用VFSMOD模型评估和预测引入不同草种生草带后黄土坡面产流产沙动态特征的可行性。通过土壤物理性质参数和生草带生长状态参数的差异,模型还原了黄土坡面引入白三叶生草带与百脉根生草带后产流产沙特征的差异及其随生长时期的变化,模拟效果可靠,纳什系数:0.93(径流系数),0.98(修正后产沙量);归一化均方根误差:6.2%(径流系数),10.9%(修正后产沙量)。当生草带在降雨集中期(如本研究中百脉根草带9月上旬)不能保证较好的生长状态和地表覆盖时,其坡面产沙量急剧增大,且明显大于VFSMOD模型模拟值。在实际生草带设计时,应避免该情况发生。综上,VFSMOD模型适用于引入生草带后黄土坡面产流、产沙量的模拟和预测。     

支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法

利用遥感手段提取农作物种植面积时,需要结合作物物候特征,以提高面积的提取精度。该文以北京市通州区西南部为试验区,以冬小麦为研究对象,利用多时相的环境减灾小卫星遥感影像数据,通过基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦种植面积遥感测量试验研究。研究结果表明：该文提出的方法测量结果总体精度、Kappa系数分别为95%、0.90,远高于支持向量机（SVM）分类后直接比较方法（总体精度91%,Kappa系数0.79）;解决了实际应用中的变化阈值选取的主观性问题,该方法的频度直方图两极化现象使得变化阈值取值部分频度被压低摊平,阈值敏感度降低,变化阈值取值更为客观,一定程度上解决了阈值难以设定的问题;SVM二分法和变化向量分析的结合增强了对光谱的敏感性,能够监测不同季相上植被的长势变化,进而提高了农作物种植面积遥感测量的精度,同时对其他农作物种植面积测量提供了途径。     

基于支持向量机的葡萄病害图像识别方法

应用计算机图像处理技术和支持向量机识别方法研究了葡萄叶部病害的识别,以提高识别的准确性和效率。首先对采集到的葡萄病害彩色图像采用矢量中值滤波法去除噪声,然后采用统计模式识别方法和数学形态学对病叶图像进行了分割。最后提取了葡萄病叶彩色图像的纹理特征、病斑的形状特征和颜色特征,并用支持向量机的模式识别方法来识别葡萄病害。试验结果表明：支持向量机识别方法能获得比神经网络方法更好的识别性能;综合形状特征和纹理特征的支持向量机识别方法对葡萄病害的正确识别率优于只用形状特征或纹理特征的病种识别,综合颜色特征和纹理特征     

覆沙坡面水动力学参数与径流产沙的关系

坡面流水动学特征对阐明土壤侵蚀和坡面产沙机理均有重要意义,通过模拟降雨试验,定量研究了1.5 mm/min雨强下,不同覆沙厚度(0.5、1.0、1.5 cm)下坡面水动力学参数的时空分布特征及其与产流产沙的关系,以期揭示坡面水动力学参数的内在规律性。结果表明,坡面流的水动力学参数的时空分布呈波动趋势,与黄土坡面相比,雷诺数增加了0.39~1.03倍,佛罗德数增加了0.05~0.29倍,阻力系数增加了0.05~1.55倍;覆沙坡面在整个降雨过程中主要以层流—急流为主,细沟形成主要发生在产流后第10 min后,主要集中在1~10断面处(从坡底依次向上每1 m划分为一个断面);坡面产流和产沙速率与各水动力学参数均可用y=ax+b来描述,雷诺数Re和相对水深曼宁糙率n/h可以较好地表征覆沙坡面侵蚀产沙过程。此研究可为坡面侵蚀预报模型的构建提供科学依据。     

小波分析与支持向量机结合的冬小麦白粉病遥感监测

为利用遥感影像数据在区域尺度上实现快速、准确地监测小麦白粉病的发生、发展情况,该研究基于环境与灾害监测预报小卫星(HJ-1A/1B)数据对地表温度(land surface temperature,LST)进行反演、提取4个波段反射率数据并构建7个植被指数。耦合K-mean和Relief算法对小麦白粉病遥感特征进行筛选。通过支持向量机(support vector machine,SVM)与小波特征(Gabor)结合SVM(Gabor SVM)的方法分别建立河北省晋州市小麦白粉病发生监测模型,并对2种模型的监测精度进行对比。结果表明:归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio index,SR)和地表温度3种特征参量可较好地表征小麦白粉病的发生情况,Gabor SVM的总体精度达到86.7%,优于SVM的80%。因此,小波分析与支持向量机结合的方法可用于基于卫星遥感影像的大面积病害监测,对提高病害监测精度具有重要应用价值。     

基于支持向量机的土壤水力学参数预测

为了分析支持向量机在土壤水力学参数预测方面的效果,应用支持向量机构建用于预测土壤水力学参数的土壤传递函数,以土壤粒径分布、容重、有机质含量等土壤理化性质为输入项,分别预测土壤饱和导水率、饱和含水率、残余含水率,以及van Genuchten公式参数的对数形式。结果表明预测值和实测值不存在显著性差异,用支持向量机预测土壤水力学参数是可行的。不同输入项处理的预测分析表明,输入项为粒径分布、粒径分布和容重、粒径分布和有机质含量3种情况的预测效果差异不明显,而输入项为粒径分布、容重和有机质含量时预测效果优于前3种情况。支持向量机在预测土壤水力学参数方面的效果要优于多元线性逐步回归模型,而与BP神经网络模型相比不具有明显好的预测效果。     

结合LLE流形学习和支持向量机的猪肉颜色分级

猪肉颜色分级是肉品品质无损检测的重要内容。该文通过对猪肉彩色数字图像颜色规律的分析,结合猪肉红(R)、绿(G)、蓝(B)颜色分量及其亮度和饱和度值,构建了一个新的颜色维度。将采集的1070份猪肉图像样本进行专家分级和标记后,给出了猪肉颜色的特征表示,并利用支持向量机(SVM)进行了颜色分级。试验结果表明,随着训练集样本数的增加,分级准确率有所提高。当将所有样本作为训练集时,分级准确率高达96.5%。针对SVM分级后泛化能力不强的问题,采用流形学习LLE维数变换,使其泛化能力由37%提高近1倍。结果表明LLE可有效改善SVM的分级准确率。该方法可为猪肉品质无损检测的研究与应用提供参考。     

支持向量机在苹果分类的近红外光谱模型中的应用

建立了一套苹果近红外光谱采集装置来减少因苹果的部位差异性而造成的试验误差。采用一种新的机器学习算法——支持向量机(SVM)建立不同产地、不同品种苹果的近红外光谱分类模型。通过选定RBF函数作为核函数，并确定合适的光谱预处理方法和核函数中惩罚系数C、正则化系数γ，使得所建立的不同品种苹果分类模型的回判识别率和预测识别率均达到100%，不同产地苹果分类模型的回判识别率为87%，预测识别率为100%，与传统的判别分析法相比其预测识别精度提高5%左右。结果表明，支持向量机可以建立高精度的苹果近红外光谱分类模型。     

坡面径流类型对侵蚀产沙及水沙传递关系的影响

降雨-径流格局对土壤侵蚀过程具有重要影响,以团山沟七号全坡面径流场1961-1969年间65次径流事件的径流泥沙数据为基础,选取历时、径流深和径流变率为径流过程的特征指标,采用K均值聚类和判别分析相结合的方法,将坡面径流划分为5种类型。其中,A型径流具有超长历时、低变率、小径流的特点,是较为特殊的类型,B、C型径流具有中长历时、中高变率、大径流的特点,D型径流具有短历时、低变率、小径流的特点,是最为普遍的类型。E型径流具有中历时、中变率、中径流的特点。不同径流类型下的输沙模数、平均含沙量及最大含沙量由大到小依次为:CBEDA,B、E、C型径流应是坡面径流调控的重点。不同径流类型输沙模数的差异主要来源于径流量(深)的变化,相同径流量(深)条件下,不同径流类型输沙模数的差异主要来源于由径流历时和径流变率所引起的水沙传递关系的改变;与A型径流相比,其作用使D、E、B、C型径流的输沙模数相对增大7.9、6.3、4.8和4.5倍,增大倍数随径流量(深)的增加呈逐渐减小趋势。通过构建包含主要径流特征指标的动力参数ξ,对不同径流类型及径流阶段的径流-泥沙传递关系进行数学描述,其最优回归关系均符合S=alnξ+b的一般形式,能合理解释不同径流类型及不同径流阶段含沙量变化的主要驱动因素。研究结果可为坡面径流类型划分、水沙传递关系构建、全面评估坡面径流调控系统的水土保持意义、进一步丰富坡面径流调控理论的内涵提供一定的参考。     

交替冻融对坡面产流产沙的影响

冻融作用使土壤更容易成为侵蚀的物质来源,进而加剧土壤侵蚀程度。为了揭示冻融作用对坡面土壤水蚀的影响,该文通过室内交替冻融循环试验和人工模拟降雨试验,研究了交替冻融作用下坡面的降雨产流产沙特征。试验以未经过任何冻融作用的风干土壤为对照,设计了2种交替冻融循环周期处理(3和6)、2种土壤质量含水率水平(10%和20%)、4种降雨强度(25、50、75、100 mm/h)。结果表明,相对于对照,降雨强度相同时,2种土壤含水率下的交替冻融作用都可以使产流产沙强度增大,且产沙强度的增大幅度大于产流强度。交替冻融循环周期相同时,各降雨强度下的产流产沙强度随含水量的增加而增加。质量含水率相同时,各降雨强度下的产流产沙强度随冻融循环周期的变化相对较为复杂,当质量含水率为10%时,产流产沙强度随冻融循环周期的增加而增大,当质量含水率为20%时,产流产沙强度随冻融循环周期的增加而减小。当质量含水率为10%,交替冻融循环周期为3和6时,增流百分比分别为3.52%、4.71%,增沙百分比分别为6.13%、16.95%。当质量含水率为20%,交替冻融循环次数为3和6时,增流百分比分别为10.24%、5.01%,增沙百分比分别为81.99%、53.07%。相同降雨强度下,土壤质量含水率对产流产沙强度的影响大,交替冻融作用对产流产沙强度的影响小。该研究为冻融侵蚀机理的研究提供参考依据。     

支持向量机在电子鼻区分不同品种苹果中的应用

为了提高电子鼻检测苹果气味的精度和鲁棒性,利用6点平滑法对气体传感器的数据进行去噪处理,并用支持向量机建立识别模型。应用结果表明,经过去噪处理后,曲线变得光滑,但仍能保持原来的形状,这说明去噪处理既滤除了传感器数据中的噪声同时又保留了传感器的主要信息。提取每个传感器的最大值作为特征参数。分别运用主成分分析和两个支持向量机模型区分富士、花牛、姬娜3种不同品种苹果的气味,主成分分析结果表明3种苹果分布区域存在重叠;两个支持向量机模型可以很好的区分这3种苹果,其中对姬娜和富士的识别正确率达到90％以上,而对花牛苹果的识别正确率达到100％。     

基于支持向量机和ReliefF算法的玉米品种抗倒伏预测

针对目前玉米品种抗倒伏鉴定方法费时、费力,玉米抗倒伏品种选育周期长的问题,该研究采用高光谱成像技术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于2018年和2019年开展田间试验采集不同抗倒伏的8个玉米品种的高光谱成像数据,基于区域识别方法提取感兴趣区域（Region of Interest,ROI）的光谱曲线,分析抗倒样本和不抗倒样本的数据特性;然后分别采用过滤式特征选择算法ReliefF（Relevant Features）和主成分分析（Principal Component Analysis,PCA）结合ReliefF算法的方式,挖掘抗倒品种和不抗倒品种的光谱分类特征;最后使用交叉验证的方式,对ReliefF方法选择的原始光谱数据特征数量和PCAReliefF方法选择的主成分特征数量进行优化,分别建立ReliefF-SVM和PCAReliefF-SVM支持向量机（Support Vector Machines,SVM）分类模型,并对SVM模型的惩罚参数和核参数进行优化,以获得更好的模型预测效果。结果表明：经过特征优化,2018年试验和2019年试验分别选择了40和50个特征参与建模,且使用PCAReliefF方法选择的主成分特征与使用ReliefF方法选择的原始光谱数据特征相比,几乎不含有冗余特征;通过对支持向量机模型的惩罚参数和核参数进行优化,2018年试验ReliefF-SVM和PCAReliefF-SVM模型对预测集样本的抗倒伏分类预测正确率分别为84.17%和85.00%,2019年试验模型分类预测正确率分别为84.17%和85.83%。可见,采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测,使用PCAReliefF-SVM模型比ReliefF-SVM分类模型综合性能更优,试验可为玉米抗倒伏品种的高效筛选提供方法和借鉴。     

基于偏好免疫网络和SVM算法的油茶果多特征识别

针对油茶果采摘脱壳后存在的果壳籽粒分选效率较低的问题,该研究提出了一种结合人工免疫网络（aiNet）与支持向量机（Support Vector Machine）的多特征智能分选算法。该方法利用了免疫算法的多特征聚类特点与支持向量机的二分性特点,对油茶果壳与籽粒的延伸率、圆形度、圆满度、色差分量等6个特征进行分选。试验结果表明,该研究提出的方法在分选识别率上达到了97.4%,时间平均值为600 ms,证明了这种方法在油茶果壳籽粒分选作业中的实时性与有效性。通过与其他智能分选算法的效率对比分析证明,该研究提出的方法在效率上更优,更加适合油茶脱壳生产线的实时性要求。     

优化支持向量机在鲜切生菜加工HACCP分类中的应用

该文介绍了一种基于支持向量机模型解决鲜切生菜加工HACCP（hazard analysis and critical control point）关键控制点智能发现的方法。在通用支持向量机模型进行鲜切生菜加工关键控制点的发现试验中,依靠人工经验选取支持向量机（support vector machine,SVM）核函数参数,识别关键控制点准确率波动较大。该文利用遗传算法优化支持向量机核函数参数的选取,构建了一种基于遗传算法的支持向量机（GA-SVM）模型,应用该模型在鲜切生菜生产关键控制点的发现试验中获得了87.5%的识别率,比传统方法稳定性更高。该方法对其他HACCP关键控制点的智能发现具有很好的借鉴意义。     

基于支持向量机的滴灌灌水器流量预测模型建立与验证

为了直接、准确预测灌水器流量,引入支持向量机预测方法,取灌水器6个工作压力和8个几何参数作为因素,正交设计安排300组灌水器训练样本和30组检测样本,并采用精度较高的SST k-ω模型模拟计算灌水器流量,同时利用遗传算法对支持向量机参数进行优化计算,得到与模拟流量误差最小的流量预测值。结果表明,惩罚参数为100、核函数参数为20时检测样本的流量预测值与模拟值的误差最小,平均相对误差为1.91%,决定系数为0.98,而回归拟合方法计算得到的平均相对误差为6.45%,决定系数为0.93,表明支持向量机预测流量的优越性,且30组试验验证样本的平均相对误差为2.25%,证明支持向量机预测的准确性和可靠性。预测模型建立可有效地提高灌水器研发效率,对水力性能评估和流道结构设计与优化提供依据。     

Seed removal on loess slopes in relation to runoff and sediment yield

Overland flow and sediment transport can carry away seeds at the soil surface and in the soil, cause a secondary seed dispersal event, lead to seed redistribution, and influence the spatial distribution of seedling renewal, which plays an important role in vegetation restoration and succession. The objectives of this study were to investigate the process of seed loss on loess slopes and its relationship to the yield of runoff and sediment, the effects of rainfall intensity, slope gradient and seed morphology on seed removal.     

河岸植被对坡面径流侵蚀产沙的阻控效果

河岸植被在流域水土保持与非点源污染控制方面具有重要作用。为探究河岸植被阻控坡面径流侵蚀产沙效果及其影响因素,该文通过野外模拟径流冲刷试验,定量分析了北江干流河岸植被阻控坡面径流和侵蚀产沙的特征,探讨了河岸植被对径流与泥沙相互关系的影响以及河岸植被阻控效果与坡度和放水强度的关系。结果表明,(1)植被的存在延迟了坡面初始产流时间、降低了坡面径流系数、减弱了径流侵蚀力,放水强度和坡度越大,坡面产流时间越早、径流系数越大、植被对径流的拦截效果越低,其中,植被对不同坡度上径流系数的平均阻控效果分别为3.35%、3.36%、4.28%和3.17%,对不同放水强度下径流系数的平均阻控效果分别21.69%、17.40%和10.01%,对坡面径流侵蚀力的阻控效果分别为60.00%、32.23%、27.29%和22.76%;(2)植被坡对坡面累积泥沙量的阻控效果分别为60.14%、32.83%、24.19%和20.86%,植被的存在可以有效提高土壤的抗侵蚀能力并减少侵蚀产沙量和降低侵蚀泥沙中值粒径,植被阻控泥沙的效果大于其阻控径流的效果;(3)相关性分析表明,产流时间与累积泥沙量、粒径均呈显著负相关,植被的存在一定程度上改变了退流时间与两者之间的关系;径流系数、径流侵蚀力与累积泥沙量、粒径均呈显著正相关;植被对累积泥沙量和径流侵蚀力的阻控效果与随坡度和放水强度的增加而降低。综上,河岸植被对坡面径流和泥沙具有不同的阻控效果,且受坡度和放水强度影响显著,研究结果可为流域水土保持与河岸植被建设提供支持。     

基于奇异值分解和支持向量机的滚动轴承故障模式识别

提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法。对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键。奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用奇异值分解对其提取状态主特征矢量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态,并且对未知故障有良好的识别能力。与常用的人工神经网络方法相比,该诊断方法具有更好的有效性、鲁棒性和精确性。     

基于最优二叉树支持向量机的蜜柚叶部病害识别

为了提高蜜柚叶部中晚期病害的识别准确率,确保蜜柚叶部病害对症施药与病害防治的效果,该文提出了一种基于最优二叉树支持向量机(support vector machine,SVM)的蜜柚叶部病害识别方法,该方法首先将蜜柚叶部病害图像转换为B分量、2G-R-B分量、(G+R+B)/3分量以及YIQ颜色模型中的Q分量的4个灰度图像,再利用5尺度8方向的Gabor小波分别与4个分量灰度图像进行卷积运算,获得5个尺度下不同方向的幅值均值作为病害的特征向量,并结合提出的最优二叉树支持向量机病害识别模型,对黄斑病、炭疽病、疮痂病、煤烟病等4种蜜柚叶部病害进行分类识别。通过交叉验证的方法进行分类识别测试,结果表明:黄斑病、炭疽病、疮痂病、煤烟病识别准确率分别为90%、96.66%、93.33%、96.66%,平均识别率达到94.16%,并将该方法与BP神经网络、一对一SVM与一对多SVM进行比较,试验结果表明该方法可有效识别4种蜜柚叶部病害,在训练时间和识别精度上都优于其他3种方法。该方法可为蜜柚病害准确识别与防治提供有效的技术支持。