Support Vector Machines (SVM)-Markov Chain Prediction Model of Mining Water Inflow

This study was conducted to establish a Support Vector Machines (SVM)-Markov Chain prediction model for prediction of mining water inflow. According to the raw data sequence, the Support Vector Machines (SVM) model was built, and then revised by means of a Markov state change probability matrix. Through dividing the state and analyzing absolute errors and relative errors and other indexes of the measured value and the fitted value of SVM, the prediction results were improved. Finally, the model was used to calculate relative errors. Through predicting and analyzing mining water inflow, the prediction results of the model were satisfactory. The results of this study enlarge the application scope of the Support Vector Machines (SVM) prediction model and provide a new method for scientific forecasting water inflow in coal mining.     

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。     

基于支持向量顺序回归机对农业经济预警的研究

在统计学习理论与支持向量机理论方法的基础上,将支持向量顺序回归算法与宏观经济预警研究相结合,建立了基于支持向量顺序回归经济预警模型;通过编制Matlab软件程序,结合黑龙江省经济数据,获得经济预警的分类超平面和预测警限区间,并进行内插和外推检验。结果表明,该预警模型预测的可靠性和拟合是有效可行的,具有很高的精度。     

Estimating nitrogen concentration in rape from hyperspectral data at canopy level using support vector machines

The estimation of nitrogen concentration from remotely sensed data has been the subject of some work. However, few studies have addressed the effective model for monitoring nitrogen status at canopy level using Support Vector Machines (SVM). The present study is focused on the assessment of an estimation model for nitrogen concentration of rape canopy with hyperspectral data. Two types of estimation model, the traditional statistical method based on stepwise linear regression (SLR) and the emerging computationally powerful techniques based on support vector machines were applied The Root Mean Square Error (RMSE) and T values were used to assess their predictability. The results show that a better agreement between the observed and the predicted nitrogen concentration were obtained by using the SVM model. Compared to the SLR model, the SVM model improved the results by lowering RMSE by 11.86–21.13 %, and by increasing T by 20.00–29.41 % for different spectral transformations. The study demonstrated the potential of SVM to estimate nitrogen concentration using canopy level hyperspectral data and it was concluded that SVM may provide a useful exploratory and predictive tool when applied to canopy-level hyperspectral reflectance data for monitoring nitrogen status of rape.     

商空间理论框架下的SVM产量预测模型研究

针对目前预测农作物产量只利用年产量或其变形,而没有考虑气象因素对产量预测的影响导致误差偏大的问题,在基于商空间粒度理论框架下的农作物产量预测中,考虑气象因素如光照、平均气温、降水量对农作物产量的影响,提出利用支持向量机方法构造模型对气象时间序列进行数据挖掘(产量预测)。粒度分析和实验结果表明:混合粒度预测模型不仅降低了问题求解的复杂性,而且误差较低,其预测值平均绝对百分误差为0.884 9,均方根误差37.3,希尔不等系数为0.004 4,与其他预测模型相比误差最小。基于商空间理论的支持向量机产量预测模型可较好地应用于产量预测中。     

基于小波分析的红虫识别

提出了一种能量特征与支持向量机(Support Vector Machine,SVM)相结合的红虫与水中浮游生物图像识别方法.把小波能量特征加入到原始图像中,再用Fisher线性判别法进行特征提取,同时提取图像的三层小波分解后系数的数学特征和图像颜色调和熵构造特征向量,然后采用SVM进行识别.通过对红虫及浮游生物的分类进行实验,验证了该方法的有效性,获得较高的识别率.     

基于支持向量机的电气设备运行状态图像识别方法研究

针对电气设备运行状态图像的特点,提出将支持向量机（SVM）分类器应用于多种电气设备运行状态识别中。首先利用C-均值聚类法,分割出运行状态指示牌的汉字或数字部分;再利用K—L变换提取出运行状态的特征向量;最后利用支持向量机分类方法进行状态识别。试验结果表明：支持向量机分类方法对于小样本情况,具有良好的分类能力,适合多种电气设备运行状态的分类,并能获得比神经网络方法更好的识别性能。不同的分类核函数的相互比较分析表明,Sigmoid核函数最适合电气设备运行状态的分类识别。     

基于支持向量机优化粒子群算法的作物生育期ET_0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于Stacking模型集成算法的莲都区南方红豆杉潜在分布区

研究使用R软件中的CaretEnsemble和Caret程序包,并基于Stacking方法来实现模型集成,研究南方红豆杉Taxus chinensis var.mairei在浙江省丽水市莲都区的潜在分布区,并比较5种单一模型的模拟结果及其与集成模型的差异。结果表明:单一模型中极端梯度上升模型表现最好,其次是随机森林模型、支持向量机模型、朴素贝叶斯模型和分类回归树模型,集成模型模拟结果好于单一模型,其Kappa值达0.80,准确率达0.90。集成模型模拟结果显示:影响南方红豆杉分布的主要环境因子为海拔、归一化植被指数和年平均最少降雨量。南方红豆杉主要适宜生长在浙江省丽水市莲都区的山地丘陵地区,中部盆地及平原地区不适宜南方红豆杉的生长,其在莲都区的潜在分布区面积为5.01万hm2。构建的集成模型在一定程度上提高了模型精度,使预测效果更优。     

基于SVM分类的淮河流域夏季降水预测模型

采用1959--2009年逐月74项大气环流特征量序列、500hPa月平均高度场和月平均海温场,计算与预报对象淮河流域夏季降水量相关系数,选取预测因子;用主分量分析方法组合预测因子。用支持向量分类机方法分别建立山东淮河流域、河南淮河流域、江苏淮河流域、安徽淮河流域共4个区域夏季降水短期气候预测模型。对2007--2009年夏季降水量SVM分类预测,4个区域的训练集回预测正确率为85％～99％,平均训练集回预测正确率91％;预测结果误差最大不超过1级,绝对值平均为0．4级。结果表明,该模型具有较强的预测能力和推广前景,可在气候预测业务中使用。     

基于SVM算法的区域农田灌溉短期用水量预测方法

常规方法对区域农田灌溉短期用水量预测时易出现预测数据误差大,预测过程复杂等现象。设计基于SVM算法对区域农田灌溉短期用水量进行预测。以某沿黄区域位于全景属于黄河流域东南方向一区域农田为研究对象,首先基于SVM算法选择用水量特征,选取一对一的构造方法将农田灌溉短期用水量数据分为两个类别。通过SVM算法中支持向量机分类功能将农田灌溉短期用水量特征子集进行获取,并在此基础上可以根据特征子集通过预测模型进行用水量预测。由于用水量序列波动性较强,将GM(1,N)模型与机器学习算法LSSVR模型相结合来进行用水量预测,并确定模型评价指标。结果证明基于SVM算法的区域农田灌溉短期用水量预测方法误差在允许范围内且在农业中具有可使用性。     

基于NC-SVM的酵母蛋白功能预测研究

蛋白质功能的预测是当前生物信息技术的一个重要研究方向,它广泛应用于分析新发现蛋白质的功能及人工合成的蛋白质功能。利用酵母蛋白相互作用数据,首先针对传统的基于支持向量机和基于邻近投票法的功能预测法分析了它们各自的优劣性,然后研究出结合2种预测方法的优势的NC-SVM法对酵母蛋白的功能进行预测,采用科学的评价方法,通过反复试验并对结果进行分析,发现这种新方法的预测结果优于单独使用前2种,而且具有一定的稳定性。     

基于SVM分类的预警系统

将SVM理论与预警理论相结合，提出了一个基于SVM的宏观经济预警系统，并应用于我国棉花产量增长率的预警。与已有预警系统比较，该预警系统在预警概化能力上有着明显的优势。     

A Method of Soil Salinization Information Extraction with SVM Classification Based on ICA and Texture Features

Salt-affected soils classification using remotely sensed images is one of the most common applications in remote sensing,and many algorithms have been developed and applied for this purpose in the literature.This study takes the Delta Oasis of Weigan and Kuqa Rivers as a study area and discusses the prediction of soil salinization from ETM +Landsat data.It reports the Support Vector Machine(SVM) classification method based on Independent Component Analysis(ICA) and Texture features.Meanwhile,the letter introduces the fundamental theory of SVM algorithm and ICA,and then incorporates ICA and texture features.The classification result is compared with ICA-SVM classification,single data source SVM classification,maximum likelihood classification(MLC) and neural network classification qualitatively and quantitatively.The result shows that this method can effectively solve the problem of low accuracy and fracture classification result in single data source classification.It has high spread ability toward higher array input.The overall accuracy is 98.64%,which increases by10.2% compared with maximum likelihood classification,even increases by 12.94% compared with neural net classification,and thus acquires good effectiveness.Therefore,the classification method based on SVM and incorporating the ICA and texture features can be adapted to RS image classification and monitoring of soil salinization.     

基于支持向量机优化粒子群算法的作物生育期ET0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

近红外光谱技术应用于玉米单籽粒蛋白质含量检测分析的初步研究

为探索应用近红外光谱技术检测玉米单籽粒蛋白质含量,本研究采用JDSU近红外光谱检测仪采集了205份不同基因型玉米材料的单籽粒光谱值,用常规化学法测定玉米单籽粒蛋白质含量化学值,以117个样本为建模集,拟合了玉米单籽粒近红外光谱仪扫描得到的光谱图与玉米单籽粒蛋白质含量化学值之间的相互关系,用88个样本作预测集,比较了偏最小二乘回归法(PLSR)和支持向量机回归法(SVR)2种预测模型的效果。结果表明,玉米单籽粒种子的蛋白质含量在样本中变异范围为3.48%~18.15%,平均值为10.17%。偏最小二乘回归法(PLSR)和支持向量机回归法(SVR)所建的模型预测效果基本相同,其决定系数(R2)分别为0.99和0.99,校正标准差(SEC)分别为0.32和0.32,预测标准差(SEP)分别为0.46和0.46,相对预测标准差(RSEP)分别为4.61和4.60,RPD分别为6.106和6.111。上述参数表明PLSR和SVR所建立的模型预测效果都比较好,预测值基本接近参比值,便携式JDSU近红外光谱检测仪可以应用于定量分析玉米单籽粒蛋白质含量。     

Support vector machine approach to real-time inspection of biscuits on moving conveyor belt

An intelligent system for colour inspection of biscuit products is proposed. In this system, the state-of-the-art classification techniques based on Support Vector Machines (SVM) and Wilk's λ analysis were used to classify biscuits into one of four distinct groups: under-baked, moderately baked, over-baked, and substantially over-baked. The accuracy of the system was compared with standard discriminant analysis using both direct and multi-step classifications. It was discovered that the radial basis SVM after Wilk's λ was more precise in classification compared to other classifiers. Real-time implementation was achieved by means of multi-core processor with advanced multiple-buffering and multithreading algorithms. The system resulted in correct classification rate of more than 96% for stationary and moving biscuits at 9 m/min. It was discovered that touching and non-touching biscuits did not significantly interfere with accurate assessment of baking. However, image processing of touching biscuits was considerably slower compared to non-touching biscuits, averaging at 36.3 ms and 9.0 ms, respectively. The decrease in speed was due to the complexity of the watershed-based algorithm used to segment touching biscuits. This image computing platform can potentially support the requirements of the high-volume biscuit production.     

基于支持向量机和神经网络的土壤水力学参数预测效果比较

在美国土壤水分物理性质数据库(UNSODA 2.0)的基础上,考虑土壤质地不分类和分类2种情况,分别构建了基于支持向量回归机(SVR)的土壤传递函数模型,比较了在土壤质地不分类和分类情况下预测土壤水力学参数(水分特征曲线和饱和导水率)的效果,并与建立在相同数据库上的基于神经网络的Rosetta模型的预测效果进行了比较.结果表明:土壤质地不分类的情况下,输入参数越多,基于SVR模型的预测效果越好;土壤质地分类情况下,基于SVM分类建模的预测结果普遍好于不分类情况.无论土壤质地是否分类,样本和输入参数相同的条件下,基于SVR的模型预测的效果都优于Rosetta模型.     

支持向量机在柴油机尾气分析中的核模型选择

建立包含三个层次54个指标的长沙市“十二五”时期发展指标体系，通过运用长沙市2006~2009年的数据对各指标的得分值进行分析发现，“十二五”时期的发展不能过多注重经济增长方面的指标，而应更多考虑社会民生和区域创新方面的指标，在具体运用时应尽量避免主观赋权。     

基于最小二乘支持向量机的参考作物潜在蒸散量估计

建立了以气象因子为输入变量,以Penman-Monteith公式计算所得的参考作物潜在蒸散量（ET0）为输出变量的最小二乘支持向量机（LSSVM）ET0预报模型。与以同样资料为基础的人工神经网络模型（ANN）进行对比研究表明,LSSVM模型比ANN模型精度高,且效率高、泛化能力强,是ET0预报方法的有益补充。