基于Grey-Sigmoid核函数支持向量机高光谱遥感图像分类方法研究

针对传统支持向量机方法中存在的野值噪声敏感问题,提出了一种基于紧密度的Grey-Sigmoid核函数支持向量机,不仅考虑样本与所属类中心之间的关系,还考虑了各个样本之间的距离。通过样本之间的紧密度来描述各个样本之间的关系,利用包围同一类样本的最小超球半径来衡量样本间的紧密度,样本灰度依据样本在球中的位置确定。通过对田间小麦全蚀病的遥感图像分类的实验验证,证明Grey-Sigmoid核函数和传统的Sigmoid核函数相比,计算速度更快,且精度没有明显损失。     

基于高分一号遥感影像的绿地信息提取

对高分一号卫星影像进行大气校正、几何校正、裁剪等,利用Libsvm 4.0在Matlab平台里编程进行交叉验证网格法寻优,最终获得支持向量机分类的最佳惩罚系数为45,不敏感系数为0.31。改进支持向量机分类器绿地分类精度为94.6%,该提取精度能满足高分辨率遥感影像在城市绿地动态监测。     

基于无人机多光谱与地面高光谱遥感的土壤主要养分含量估测

耕地土壤作为农业资源的重要组成部分,是我国农业生产的基本资源与保障条件.山原红壤作为云南典型的土壤类型,在云南的农业生产与经济发展中发挥着重要作用.通过多光谱与高光谱遥感结合技术,对山原红壤主要养分含量的高光谱特性进行了研究分析,研究了土壤主要养分含量的多高光谱特性、筛选出了各养分含量的特征波段.而后,通过多光谱波段变...     

基于支持向量机的近红外光谱技术鉴别掺假牛肉

【目的】利用近红外光谱技术对掺入鸭肉的掺假牛肉进行判别研究,为实现掺假牛肉的快速、准确检测提供参考。【方法】市购冷冻储存的牛里脊肉和鸭肉,在牛里脊肉糜中掺入质量分数为0,5%,10%,15%,20%,25%的鸭肉糜(对应m(鸭肉糜)∶m(牛肉糜)分别为0∶20,1∶19,2∶18,3∶17,4∶16和5∶15),制备供试牛肉和掺假牛肉,采用近红外漫反射方式在波数为10 000~4 000cm-1时采集牛里脊肉、掺假牛里脊肉和鸭肉的近红外光谱,对原始光谱经多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate transformation,SNV)、面积归一化(Area normalization)、15点平滑处理和一阶导数处理等方法预处理后,对所建支持向量机(nu-SVM)判别模型的预测效果进行比较。【结果】经MSC预处理后所建的牛里脊肉、掺假牛里脊肉和鸭肉的nu-SVM判别模型判别性能稳定,对建模集的正确判别率为97.09%,对检验集的正确判别率为94.00%。【结论】近红外光谱技术结合MSC预处理后所建的nu-SVM模型可用于掺杂鸭肉的牛里脊肉的鉴别。     

基于SVM的多光谱影像与SAR图像融合地物分类研究

多光谱遥感图像反映了不同地物的光谱信息,而SAR图像则反映了地表不同地物的后向散射强度信息。通过二者结合,可以实现优势信息互补,提高遥感影像分类的精度。多光谱影像与单波段单极化SAR图像融合分类有2种策略：一种是将SAR图像作为一个波段加入多光谱影像中进行分类;另一种先把多光谱影像与SAR图像融合,然后对融合后的图像进行分类。以成都市使用支持向量机分类方法对2种分类策略下的分类精度进行验证。结果表明,后者分类精度要高于前者,同时2种分类方法的分类精度都明显高于单独使用多光谱影像的分类精度。     

基于高光谱图像的水稻种子活力检测技术研究

随着种子活力逐渐受到人们的重视,快速且不破坏种子的活力检测方法逐渐成为研究的热点。试验以不同老化程度的水稻种子为材料,采用高光谱成像技术结合PCA-SVM方法,研究比较了不同活力水平的水稻种子的活力差异。采集两个水稻品种在400~1000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波段;应用支持向量机(SVM)建立水稻种子活力鉴别模型。结果表明,预测的判别率可达100%,说明高光谱成像技术为快速准确无损测定种子活力提供了一条新的途径。     

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。     

基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究

以福建沙县为研究区,融合SPOT-5多光谱影像与全色影像,基于灰度共生矩阵法提取纹理量,与光谱波段组合,采用支持向量机分类方法提取虫害信息,探讨纹理特征对于虫害监测信息提取精度的影响。结果表明：结合多尺度纹理与光谱特征的支持向量机分类方法,其虫害信息提取总精度最高,为80.48%;结合单尺度纹理与光谱特征的支持向量机分类器方法,其虫害信息提取总精度次之,为78.81%;基于光谱特征的最大似然法,其虫害信息提取总精度最低,为70.48%。结合多尺度纹理与光谱特征的支持向量机分类器方法,其图面表现也较好,减少了图面的细碎斑点。因此,提取多尺度纹理与光谱特征结合,丰富了图像信息量,有助于提高虫害信息的提取精度。     

基于SVM及BPNN的辣椒红外光谱分析

利用小波变换结合反向传播网络(BPNN)和支持向量机(SVM)研究了朝天椒和灯笼椒的傅里叶变换红外(FTIR)光谱,样品1 750~950 cm-1范围的红外光谱经多尺度一维连续小波变换(CWT)和离散小波变换分析,发现第20尺度的连续小波系数,提取该尺度3个区域的系数作为特征参数建立BPNN和SVM模型。结果表明,BPNN和SVM模型都能很好地区别两种辣椒。第5尺度的离散小波细节系数建立BPNN和SVM模型分类的正确率分别为93.3%、100%。小波变换结合BPNN和SVM用于傅里叶变换红外光谱技术中能够准确识别朝天椒、灯笼椒,为区分不同品种的辣椒提供了快速、有效的方法。     

基于无人机高光谱的马铃薯冠层叶片全氮含量反演

为实现大田马铃薯冠层叶片全氮含量(LNC)的快速反演,利用低空无人机平台搭载成像光谱仪获取马铃薯冠层光谱数据,在综合比较原始反射率(R)、倒数变换反射率(1/R)、一阶微分变换反射率[D(R)]、二阶微分变换反射率[D(2R)]、倒数之对数变换反射率[lg(1/R)]的基础上,选择[D(2R)]用于后续试验。分别使用相关性分析(CA)、竞争性自适应重加权(CARS)、无信息变量消除(UVE)3种算法筛选特征光谱波段,使用偏最小二乘回归(PLSR)、支持向量机(SVM)构建马铃薯冠层LNC估测模型。结果表明：CA、CARS、UVE算法分别筛选出26、12、19个特征波段。在构建的PLSR模型中,用UVE筛选的特征波段建立的预测模型[UVE-D(2R)-PLSR]效果最好,在验证集上的决定系数(R²)和均方根误差(RMSE)分别为0.806 8和0.193 2;在构建的SVM模型中,用CARS筛选的特征波段建立的预测模型[CARS-D(2R)-SVM]效果最好,在验证集上的R²和RMSE分别为0.831 6和0.183 0。两模型对比,CARS-...     

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β因子的支持向量机增量学习算法

提出了一种基于β因子历史样本淘汰机制的在线学习算法.对UCI标准数据集中的部分样本集的测试结果表明:该机制有效地淘汰了一些样本,在保持了分类精度和泛化能力的情况下,大大加快了增量学习的训练速度.     

改进线性光谱混合分解模型湿地信息提取

由于干旱区农牧交错地带湿地面积小且地类混杂,混合像元现象严重,使得该区湿地信息的自动提取难度较大。针对湿地遥感信息提取的特点和难点,采用NDVI(normalized different vegetation index)阈值法提取水体,应用支持向量机模型(SVM)提取去除水体后的湿地信息,并以修正线性光谱混合分解模型分解的草甸分量,进一步提取高盖度、中盖度和低盖度草甸信息。试验验证结果表明:提取结果的总体精度为88%,Kappa系数为0.83。该方法可为其他光谱特征混杂地区湿地遥感信息的提取提供参考。     

基于支持向量机的DNA序列分类系统的设计与实现

针对传统统计方法进行DNA序列分类时要求DNA序列样本的概率分布函数已知，但多数情况下概率分布函数未知这一问题，采用支持向量机这一新的机器学习方法对DNA序列进行分类；以VB和Matlab为主要工具开发了基于支持向量机的DNA序列分类系统。结果表明：该系统能够动态选择DNA训练样本、待测试样本．以及支持向量机模型中的参数，并根据用户的指定条件动态输出计算结果；对于预测一批已知正确分类答案的DNA序列，系统能够自动统计识别率，以观察参数变化对于算法执行结果的影响。支持向量机能够在概率分布函数未知的条件下对DNA序列进行分类。     

基于支持向量机的路面图像分类方法

针对路面结构特征,提出一种颜色与纹理特征相融合并结合模糊支持向量机的路面分类识别方法。提取路面图像的HSV颜色空间的颜色矩作为颜色特征,采用灰度共生矩阵法提取纹理特征,融合路面图像的颜色特征与纹理特征,采用模糊支持向量机进行支持向量特征训练,通过训练得到能尽可能多的满足每一种图像的样本数据特征的特征向量。通过实验,对比了采用传统的支持向量机与模糊支持向量机对路面分类识别的正确率。实验表明本研究所提出方法的有效性。     

基于模糊系数规划的模糊支持向量分类机

本模糊支持向量分类机的构建特点是,训练点输出的类型和最终的模糊分类函数的函数值均为反映其模糊类别的实数。以模糊系数规划为基础,将模糊分类问题转化为求解模糊系数规划问题,求出模糊系数规划的γ-最优规划,据此给出模糊支持向量分类机(算法);用2个例子说明该算法的合理性;最后给出模糊支持向量分类机中最佳阈值的确定方法。     

基于支持向量机的响应面模型及其工程应用

为了解决实验数据的拟合问题,用支持向量回归机对实验数据进行回归拟合,给出了具体实现方法,并用典型的二次函数对响应面模型的回归精度进行了数值验证.针对树脂零件的成型工艺参数的优化设计问题,给出了支持向量回归机响应面模型的应用方法.实例证明了所提出方法的有效性和实用性.     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

支持向量机的研究进展

本文分析总结了支持向量机从提出,兴起到现在的研究成果,并重点关注算法方面的进展.对各个方向的研究都做了相应分析.并适当编程实现了性能优越的序贯最小优化（SMO）算法.最后给出了针对各种应用问题,较为理想的算法选择.