特征提取方法对朴素贝叶斯文本分类器的影响分析

特征提取方法在文本分类过程中起着重要作用,文本分类的效果受特征提取方法选择的直接影响。采取信息增益和文档频率2种特征提取方法,对朴素贝叶斯分类模型的查全率和准确率进行验证比较。研究表明,朴素贝叶斯分类器的分类效果随着维数的增加先增加后减少;在维数一定时,信息增益（IG）的分类效果明显好于文档频率（DF）的分类效果。     

基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别研究

为了保证人们对蔬菜的安全食用,研究了蔬菜叶片农药残留的无损检测方法。标准营养液无土栽培生菜样本,在成熟期按4种不同浓度,分别为1.250、0.830、0.600、0.375 mL/L,将氰戊菊酯农药雾状均匀喷洒至生菜叶片上,8 h后采集生菜叶片高光谱数据。采用标准归一化(SNV)算法对原始光谱进行预处理,分别利用基于非监督特征提取方法主成分分析(PCA)、局部保留投影(LPP)与基于监督特征提取方法线性判别分析(LDA)、局部保留投影(SLPP)对降噪后的光谱数据进行特征提取,统一选用支持向量机(SVM)作为分类器。利用相同的训练样本与测试样本进行分类试验,对生菜叶片农药残留浓度分类鉴别的结果为,PCA-SVM分类正确率为82.14%,LPP-SVM分类正确率为85.71%,LDA-SVM分类正确率为89.29%,SLPP-SVM分类正确率达到92.86%。结果表明,与非监督特征提取算法相比,监督特征提取算法由于充分利用了样本的类别特性,使得分类器对降维后的数据更加敏感,分类精度更高,其中SLPP-SVM的分类效果最好。     

图像颜色特征提取及其分类研究

在图像分类和检索中,如何对图像进行特征提取及提取图像的哪些特征信息,影响着图像分类的准确性。提出了一种基于颜色的特征提取算法,同时利用最新的多层的深度学习算法对图像进行分类。结果表明,该研究提出的图像分类方法比传统图像分类算法准确度有较大的提高。     

基于面向对象特征提取的植物叶片面积测量方法

【目的】提出一种基于面向对象图像特征提取的植物叶面积测量方法,为快速、高精度地测量野外采集植物的叶片面积提供支持。【方法】以扫描图像为基础,借鉴遥感影像的面向对象图像特征提取的思想,获得扫描对象的矢量轮廓,以此计算其面积,并采用AutoCAD绘制的7种多边形进行重复试验,以验证该方法的精确性;然后进一步对青蒿(Artemisia carvifolia)、臭蒿(Artemisia hedinii)、苜蓿(Medicago sativa)3种植物叶片进行重复试验,并与矢量化方法、监督分类方法进行对比,分析该方法在实际叶片测量中的稳定性和计算效率。【结果】利用基于面向对象图像特征提取的植物叶面积测量方法,在进行标准几何图形的面积测量时,该方法的相对误差皆小于1.86%;与矢量化方法、监督分类方法相比,该方法在测量真实植物叶片面积时具有更高的稳定性,而且耗时都小于20s,用时最短;该方法采用IDL模块设计,可实现叶片面积的自动批量处理。【结论】基于面向对象特征提取的植物叶片面积测量方法,是叶片面积高精度及批量自动化测量的一种新途径。     

仓储害虫局部形态学特征提取方法研究

为进一步提高对仓储害虫自动识别的准确度及种类数量,提出一种普适有效的仓储害虫局部特征提取方法,即首先自动判别出图像中仓储害虫的头部和尾部,然后采用基于兴趣区间对偶点分析的方法提取特征。提取出仓储害虫的鞘翅等效长、尾部弧度等7个局部形态学特征,构建了优化的形态学特征空间,采用SAA-SVM分类器对15类常见仓储害虫分类的正确率达到94.8%,解决了仓储害虫分类识别中多种类精确识别的难题。     

半色调图像纹理特征提取方法

提出基于局部二值化模式和像素相关算子的半色调图像纹理特征提取方法，以实现误差分散类半色调图像的分类。该方法是将误差分散类图像先进行局部二值化模式变换，再以任一像素点为中心，取适当的距离提取八个方向的像素相关值作为图像的特征向量，最后将提取的特征通过BP神经网络进行分类。实验结果表明，提出的算法适用于二值图像的特征提取，能够降低局部二值模式的特征维数，提高时间效率和空间利用率；相对灰度共生矩阵算法提出的算法在计算复杂度、识别精度等性能方面都有所改善。     

基于轻量级网络自适应特征提取的番茄病害识别

为了实现番茄病害的精准识别,本研究提出一种轻量级网络自适应特征提取方法。该方法首先对图片进行正形处理,然后基于SqueezeNet模型构建轻量级网络模型GKFENet。GKFENet模型包含全局特征提取和关键特征提取2个模块,其中全局特征提取模块逐层提取番茄病害叶片的全局特征,关键特征提取模块通过学习评估出特征图各通道的重要程度,计算出权重值,最后将该值加权到原特征图上,从而实现病害关键特征的自适应提取。结果显示,正形机制有助于神经网络学习特征,本研究构建的GKFENet模型的平均识别准确率为97.90%,模型大小仅为2.64 MB,且在强噪声环境下,其识别准确率仍能保持在78.00%以上。GKFENet模型在训练过程中相对稳定,对8种番茄病害的识别准确率均超过96.00%。相比Bayes、KNN、LeNet、SqueezeNet、MobileNet模型,本研究构建的GKFENet模型的识别精度高,稳定性强且占用内存小,对于移动端未来的应用具有较高的实际价值。     

文本分类中特征提取方法的比较与研究

介绍了进行文本分类的关键技术,着重介绍了常用的文本特征提取方法.选取支持向量机方法作为文本分类器方法,选取不同特征提取方法应用于文本分类,通过实验,比较和分析了由不同的提取方法所构成的分类器的分类性能,确定了信息增益(IG)法和文本证据权(WET)为两种性能优异的特征提取方法.该结论可为分类性能进一步的优化研究奠定理论和实践基础.     

基于 PCA 特征融合与 LDA 分类的实木地板纹理判别方法

纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法（PcA）对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法（LDA）构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85％,较传统Tamura方法的83％和全局基本统计量的70％有所提高;特征提取时间为0．5548S,比缩小前图像的Tamura特征提取时间55．7000S明显减低,而分类正确率没有明显变化。     

基于PCA特征融合与LDA分类的实木地板纹理判别方法

纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法(PCA)对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法(LDA)构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85%,较传统Tamura方法的83%和全局基本统计量的70%有所提高;特征提取时间为0.554 8 s,比缩小前图像的Tamura特征提取时间55.700 0 s明显减低,而分类正确率没有明显变化。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

用于PCR扩增的细菌DNA提取方法比较

以14个属的革兰阴性菌和阳性菌为研究对象,采用16S rRNA基因PCR扩增对4种细菌DNA提取法进行了比较.结果表明,对细菌DNA的提取效果排序,依次为冻融法、煮沸法、碱解法、ROSE法.冻融法效果最好,具有成本低、省时省力、无污染等优点,但仍存在少数革兰阳性菌DNA提取失败的现象.因此,在菌株较多的情况下可先采用冻融法提取细菌DNA,对少数提取失败的菌株,弃冻融法得到的上清液,再以SDS法、CTAB法或DNA试剂盒的提取进行补充.采用该操作流程既能节省成本和时间,又减少了提取过程中有机废弃物的产生.     

基于YOLOV4模型的果园樱桃实时检测研究

为解决在自然环境下对樱桃不同生长时期的状态监测受环境影响存在目标识别困难、检测准确率低的问题,提出了一种基于CSPDarknet53改进的卷积神经网络樱桃分类检测模型。经典YOLOV4所使用的特征提取网络层数较深,能够提取更高级的抽象特征,但是对目标局部感知能力较弱,通过在CSPDarknet53网络结构上融合CBAM注意力机制,增强了目标局部特征感知能力,进一步提升目标检测精度,其特征提取和目标检测能力优于原算法,调整特征提取网络的特征层输出,将第三层输出变为第二层输出以增加小目标语义信息的获取,利用k-means算法优化先验框尺寸以适应樱桃目标大小,并进行了消融实验分析。结果表明,改进的YOLOV4樱桃检测模型模型的平均精度达到了92.31%,F1分数达到了87.3%,优于Faster RCNN、YOLOV3和原来的YOLOV4算法,检测速度为40.23幅·s^-1,适用于自然环境下的樱桃监测,为实现果园水果生长状态自动监测提供了理论和技术基础。     

紫苏子油提取方法比较研究

[目的]提高紫苏子的产油率。[方法]采用机械压榨法、化学萃取法、索氏提取法和超临界CO2萃取法提取紫苏子油,以紫苏子萃取后的出油率为考察指标,筛选适宜的紫苏子油的提取方法。[结果]机械压榨法、化学萃取法、索氏提取法和超临界CO2萃取法的出油率分别为12.79%、15.37%、18.52%、38.58%。超临界CO2萃取法的标准差最小,数据可靠;机械压榨法的标准差最大,数据不可靠。索氏提取法每次提取的量较少,只能用于试验研究;化学萃取法的提取溶剂有毒,会造成一定的污染和毒害。超临界CO2萃取法优于其他方法,但其成本太高。[结论]超临界CO2萃取法提取紫苏子油更可行。     

黄秋葵种子中咖啡碱的提取方法研究

[目的]探讨黄秋葵(Abelmoschus esculentus)种子中咖啡碱的提取方法,为其进一步开发利用奠定基础。[方法]采用微波提取法、回流提取法和超声提取法3种方法提取黄秋葵种子中的咖啡碱,并采用可见-紫外分光光度法测定其含量。[结果]采用微波提取法时,在中等功率、微波时间8 min条件下,所得的咖啡碱的得率最高,为0.149%。采用回流提取法时,在提取剂水∶乙醇为1∶2、提取时间为1 h条件下,所得的咖啡碱的得率最高,为0.156%。采用超声提取法时,在提取剂用量为25 ml、超声时间为30 min条件下,所得的咖啡碱的得率最高,为0.142%。[结论]该研究得出了采用微波提取法、回流提取法和超声提取法提取黄秋葵种子中咖啡碱含量的最方便最有效的提取方法,可为黄秋葵种子中有效成分提取方面的研究奠定基础。     

红菇子实体提取液的抑菌作用研究

[目的]为红菇的开发与利用提供理论依据。[方法]采用超声波提取法、微波提取法和浸提法分别处理红菇子实体干品以获得提取液,并研究其抑菌作用。[结果]红菇子实体的超声波提取液对细菌、霉菌和酵母菌均有一定的抑制作用,抑菌效果随超声时间的增加而增强。红菇子实体的微波提取液对不同菌种也有一定的抑菌作用,但较弱。以无水乙醇为提取剂时,红菇子实体提取液对细菌、霉菌、酵母菌均有抑制作用,但以无菌水为提取剂时其仅对黑曲霉有抑制作用。红菇子实体的浸提法提取液只对黑曲霉有一定的抑制作用。[结论]超声波提取法所获得的提取液对不同菌种的抑菌作用较其他提取方法要强。     

橡胶树C-乳清三种蛋白提取方法双向凝胶电泳分析

摘要：C-乳清是胶乳的主要组分,就双向凝胶电泳技术而言,目前仍无有效的蛋白提取方法,这严重制约了双向凝胶电泳技术在橡胶树蛋白组分析上的应用。本文选取3种方法提取C-乳清蛋白,通过对蛋白产量和提取蛋白的双向凝胶电泳图谱分析系统评价3种方法。就蛋白产量而言,三氯乙酸/丙酮沉淀法产量最高（0.86 mg/ml C-乳清）,三氯乙酸沉淀法次之（0.72 mg/ml C-乳清）,酚提取法最低（0. 66 mg/ml C-乳清）。双向凝胶电泳图谱分析表明：酚提取法可检测到447个蛋白点,图谱背景较暗且横纵向纹理多;三氯乙酸沉淀法可检测到821个蛋白点,图谱背景居中;三氯乙酸/丙酮沉淀法可检测到1052个蛋白点,图谱背景清晰且基本无纹理。综上所述,三氯乙酸/丙酮沉淀法最适合C-乳清蛋白提取。本文首次系统评价C-乳清蛋白提取方法,必将推动橡胶树C-乳清蛋白研究发展。