共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
支持向量机是借助于最优化方法解决机器学习问题的新工具,它主要应用于解决两类分类问题。在两类分类的基础上介绍了一种基于SVM的多类分类算法———一对一分类法,并将其用于中国茶叶的分类。以31个中国茶叶样品为试验材料,随机抽取8个茶叶样品为待测样品,其余的23个茶叶样品组成训练集。利用一对一分类法建立关于训练集的多类分类模型,把待测茶叶样品分为3类,预测结果显示茶叶识别完全正确;而用层次聚类法对预测样品分类,识别正确率只有87.5%。由此表明一对一多类分类方法在农业与生物科学研究领域的多类识别问题上将有很好的应用前景。 相似文献
3.
4.
[目的]花生种子的有效分类是花生产业中选育良种的重要环节,为降低花生产业对人工的依赖程度,简化选种过程,提出了一种基于机器视觉的花生种子外观品质检测与分类方法.[方法]在相同环境下采集单粒花生种子图像,建立花生种子对象在图像中像素数与其实际质量的回归模型,以花生种子尺寸和外观颜色作为主要特征,采用支持向量机分类模型完成分类任务.[结果]使用该方法完成12个类别的分类,对批量花生种子的分类准确率达86%,符合实际生产中花生种子初步分类要求.[结论]该方法对花生种子图像代表性特征的选择和识别样本的简化使得分类系统更符合实际生产需要,对同品种花生种子的不同品质分类以及不同品种花生种子的直接分类有着积极意义. 相似文献
5.
在计算机网络应用过程中,网络安全问题的重要性不容忽视,加强对操作系统识别的研究具有重要意义。本研究以Nmap数据库的操作运行为基础,对基于向量机的操作系统识别方法进行具体分析。 相似文献
6.
7.
8.
9.
基于高光谱图像的水稻种子活力检测技术研究 总被引:4,自引:0,他引:4
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。 相似文献
10.
针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。 相似文献
11.
基于SVM分类的预警系统 总被引:9,自引:2,他引:9
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。 相似文献
12.
玉米品种识别多算法模型比较研究 总被引:1,自引:0,他引:1
为了比较玉米品种图像识别中各种神经网络识别模型的性能,搭建了一套基于统计特征提取和模式识别分类算法的玉米品种识别系统。采用扫描仪获得了11个玉米品种每个品种50粒子粒图像,基于图像的统计特征,分别研究了7种人工神经网络(ANN)模型(BP、rbf、grnn、pnn、compet、sofm、ELM)的识别性能,进一步考察了极限学习机(ELM)、支持向量机(SVM)模式分类过程性能。结果表明,在同样的情况下SVM模型较ANN模型的特征识别率高,另外神经网络模型grnn和ELM识别效果较好,其他识别模型性能较差。对11个玉米品种种子的最高检出率为91.73%,另外,所采用的特征降维方法、特征维数、初始权值的随机性选择等因素都会影响模型的识别效果。这对玉米种子纯度和品种真实性检验中人工神经网络模型的构建具有指导意义。 相似文献
13.
刘冲 《山东农业大学学报(自然科学版)》2015,(1):132-135
为了对采煤机故障进行准确诊断研究,本文提出了一种基于优化支持向量机的采煤机故障诊断新方法,首先采用主成分分析法(PCA)对采煤机故障特征参数进行特征提取,其次应用特征数据进行基于支持向量机(SVM)的采煤机故障诊断模型训练,再次采用交叉验证方法对SVM模型参数进行优化,建立最优SVM采煤机故障诊断模型,最后通过对比实验,验证了基于优化SVM采煤机故障诊断模型的可行性和优越性。 相似文献
14.
15.
[目的]针对黄瓜生长过程中常见的霜霉病、白粉病和靶斑病,提出改进的病害识别方法,为黄瓜病害自动识别提供一种技术支持.[方法]将RGB模型的病害图像转换到HSV和YUV颜色空间,通过OTSU筛选,获取阈值分割效果最好的HSV颜色空间的V分量,综合全阈值法和局部动态阈值法对V分量进行分割,获取病斑区和过渡区的分割图像.分别提取病斑区和过渡区的颜色和形状特征,基于支持向量机(Support vector machines,SVM)进行病害识别.[结果]以采集的240幅病害图像为研究样本,当惩罚参数C=32,核函数参数γ=1时,基于病斑区和过渡区在颜色和形状方面的22个特征数据,SVM分类器对霜霉病、白粉病和靶斑病3种病害的识别率分别达83.3%、76.7%和90.0%,对比仅以病斑区的11个特征数据为基础的识别结果,增加过渡区特征数据之后,黄瓜病害识别率有较大提升,分别提高26.6%、13.4%和16.7%(绝对值).[建议]未来研究中应拓展黄瓜病害研究的种类,在进行病害识别时应将病害发展程度及病害的混合性考虑在内. 相似文献
16.
[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。 相似文献
17.
[目的]快速鉴别不同品种的薰衣草精油,为精油品质控制提供可靠的科学方法依据.[方法]通过气相色谱质谱(GC-MS)测定三个品种共66个薰衣草精油样品,应用峰面积归一法确定各成分的相对含量.对构建的特征信息数据进行主成分分析(PCA),选取7个主成分代替原始数据,再利用支持向量机技术进行分类和预测,对不同品种的薰衣草精油进行鉴别.[结果]通过48个样本建立支持向量机的分类模型,对18个样本进行预测,对训练集样本的训练正确率达到97.92;,对预测集样本的正确识别率达到94.44;.[结论]主成分分析结合支持向量机方法具有很好的分类和鉴别作用,可作为薰衣草精油品种区分的有效方法之一,为薰衣草精油的质量控制提供了一定的科学依据. 相似文献
18.
19.
20.
基于支持向量机的DNA序列分类系统的设计与实现 总被引:1,自引:0,他引:1
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。 相似文献