粒子群支持向量机结合NIR测定桉木木质素

在支持向量机(SVM)回归分析过程中,参数(C,γ)取值范围较大,且需要人工进行调整,目前已知的参数选择方法复杂且不够精确.针对上述问题,提出了一种应用于木材近红外光谱分析的PSO-SVM回归模型;使用粒子群算法(PSO)确定SVM的最优参数(C,γ),用40个桉木近红外光谱样品作训练集,8个样品作测试集建立模型,得到预测模型的回归系数0.970 956,均方根误差0.002 154 5,并与传统支持向量机回归模型和偏最小二乘回归模型进行分析比较.结果表明,PSO-SVM回归模型在桉木近红外光谱的木质素含量预测中具有较高的准确性和很好的稳定性.     

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%。     

基于PSO-OSVM的江苏省耕地变化预测

以江苏省1996-2009年耕地变化为例,利用粒子群算法(PSO)的全局搜索能力优化标准支持向量机(SVM),并结合增量式最小二乘支持向量机(LSSVR)和逆学习算法的特征,构建粒子群算法-在线学习SVM(PSO-OSVM)耕地变化预测模型,采用该模型对江苏省耕地变化进行预测,以期为土地资源可持续发展提供重要参考依据.结果表明,PSO可以有效收敛SVM内部参数γ和σ达到全局最优解;PSO-OSVM模型的内外精度和总精度均高于GM(1,1)、BP神经网络模型,且优于PSO-SVM模型.说明PSO-OSVM是一种有效的耕地变化预测模型.     

基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

基于近红外光谱技术结合随机森林的烟叶成熟度快速判别

【目的】成熟度是烟叶品质的中心因素,田间成熟是获得优质烟叶的前提和基础,如何准确判断烟叶成熟程度是一个难题。【方法】本文利用近红外光谱技术结合化学计量学方法对不同成熟度的新鲜烟叶进行了探讨。【结果】随机森林(RF)分类模型参数优化简单、泛化能力强、预测结果较好,能有效识别不同成熟程度的烟叶样本,实现烟叶成熟度的快速判别,上、中和下部烟叶不同成熟度模型预测集的分类正确率分别为0.9231、0.90和0.9091,预测正确率优于主成分分析(PCA)、K最近邻(KNN)和支撑向量机(SVM)等方法。【结论】因此,近红外光谱技术结合随机森林方法简单、快速、准确,可为客观辨别烟叶成熟度的等级、优劣等问题提供了一种新的、便捷的辅助手段。     

融合BPSO最优粒子和被选概率特征有用光谱的选择

为提高基于红外光谱(NIR)对烟叶分级的效率,提出融合BPSO最优粒子和被选概率特征对烟叶的NIR进行有用特征光谱的选择。基于该方法选择的有用NIR特征光谱,对2012年642片(13个等级)烟叶进行分级,试验结果表明,通过合适的被选概率值可以得到数目相对少的用于烟叶自动分级的特征光谱组合,若与最佳粒子融合可以得到更好的分级吻合率。利用选择后的特征光谱不仅可以提高分级速度,还可以适当提高分级正确率。     

基于THz-TDS技术与改进IPSO-SVM模型的小米品质识别

为实现小米品质快速、精确的鉴别分析,探索了一种基于THz技术结合化学计量学方法的小米品质识别的新方法。采用THz-TDS技术测试了正常、虫蛀和霉变小米样品,将0～1. 6 THz频段的吸收系数与模式识别算法结合实现其品质鉴别分析。结果表明,不同品质小米的吸收系数和折射率具有差异。利用直接正交信号校正+标准正态交换+S-G卷积平滑(DSOC+SNV+S-G)预处理和竞争性自适应重加权+连续投影法(CARS+SPA)优选的16个特征波长所建偏最小二乘法-判别分析(PLS-DA)、粒子群-支持向量机(PSO-SVM)模型测试集准确率分别为93. 33%、95. 55%。为解决粒子群(PSO)寻优过程易陷入局部极值的问题和提升模型性能,对此提出了一种新型的粒子群(IPSO)优化支持向量机(SVM)的方法。通过增加调制参数和更新机制进行参数寻优,利用基于径向基内核(RBF)的支持向量机(SVM)和10折交叉验证的方法建立识别模型,寻优得到核函数参数g=15. 459 3、惩罚参数c=0. 813 3所建IPSO-SVM的性能优于其他模型,回代训练集和测试集的准确率达到100. 00%、97. 78%。可见,THz技术结合IPSO-SVM能较准确地鉴别小米品质,为小米品质的识别探索出一种新方法。     

赣南脐橙可溶性固形物近红外光谱在线无损检测

通过应用近红外漫透射光谱技术结合最小二乘支持向量机等算法,探索脐橙可溶性固形物含量在线无损检测的可行性。139个样本被分成建模集和预测集(103∶36),分别用于建立检测模型和验证检测模型的预测能力。漫透射近红外光谱,经过一阶微分、多元散射校正和移动窗口平滑组合预处理后,分别建立了偏最小二乘、偏最小二乘支持向量机模型,经比较发现,偏最小二乘支持向量机模型的预测能力更强,模型预测的均方根误差和相关系数分别为0.6423%、0.9059。通过对比发现,主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。结果表明:采用近红外漫透射光谱技术结合最小二乘支持向量机算法能够很好地实现脐橙可溶性固形物含量的在线无损检测。     

基于支持向量机和近红外光谱特性的土壤质地分类

为了分析不同质地土壤的近红外光谱特性,建立合适的土壤质地分类预测模型。研究以沙土、壤土和黏土3种不同类型土壤作为研究对象,采集了山西省内3个地区的土壤样本共156个,获取其近红外光谱数据,采用支持向量机(SVM)在1 001~2 500 nm波段内对不同质地土壤的吸光度值进行建模预测。结果表明,3种质地土壤具有不同的光谱反射特性;利用支持向量机建立的土壤分类预测模型,其测试集的预测正确率达到91.67%,说明SVM在土壤分类应用中的效果较好,可以利用SVM模型进行土壤属性预测。     

基于近红外光谱与图像识别技术融合的烟叶成熟度的判别

为提高鲜烟叶成熟度的识别精度,提出基于近红外光谱和图像识别的多源信息融合技术的烟叶成熟度判别方法:利用随机森林(RF)方法分别建立近红外光谱判别模型、图像判别模型和多源信息融合判别模型,对烟叶成熟程度进行检测.近红外光谱模型对红花大金元、K326和云烟87等3个烤烟品种烟叶成熟度的识别正确率分别为91.27％、90.4...     

基于BPSO和SVM的烤烟烟叶图像特征选择方法研究

利用图像特征对烟叶进行分级时,提出了一种对烟叶图像特征进行有效选择的新方法——利用二进制粒子群算法联合SVM模型自适应地选择对烟叶分级影响较大的特征,剔除对分级影响较小或相互间有关联的某些特征,并利用Adaboost和RBF分类器进行验证。结果表明,用SVM分类器时,用被选特征比输入全部特征具有更好的分级正确率;对于相同的分类器,利用二进制粒子群和SVM算法自适应筛选后的特征比输入全部特征具有更好的分级吻合率。     

基于灰色关联和PSO–SVM的葡萄霜霉病的短期预测

运用灰色关联分析法(GRA)筛选出北京市房山地区的主要气象因子,作为支持向量机(SVM)模型的输入特征向量,通过粒子群算法(PSO)优化SVM的惩罚因子C和核函数参数δ,建立了基于灰色关联和PSO–SVM的葡萄霜霉病短期预测模型,应用该模型对该地区未来1 d的葡萄霜霉病发病等级进行短期预测。与改进网格搜索法优化的SVM模型、经验选择参数的标准SVM、不同训练函数和粒子群算法优化的BP网络模型进行比较,结果基于灰色关联分析的PSO–SVM模型预测效果最好,对葡萄霜霉病发病等级的预测正确率为95.24%,与基于全部气象因子的PSO–SVM模型相比,预测正确率提高了1.19%,运行速度快1.81 s。     

基于TSDPSO-SVM的水稻稻瘟病图像识别

针对水稻稻瘟病诊断中存在的工作量大、效率较低且主观性强的问题,基于改进的粒子群优化支持向量机模型提出水稻稻瘟病的图像快速识别新方法。首先,采用基于超绿特征的最大类间方差法分割病害图像病斑,利用主成分分析快速得到病斑颜色和形状特征的主分量,构建水稻病害图像特征数据库。其次,提出牵引切换延迟粒子群优化算法优化支持向量机模型的识别方法。通过延迟信息的选择策略和牵引操作,使粒子跳出局部最优,更快收敛到全局最优。选取最优化算法性能测试函数Ackley函数、Rosenbrock函数和Sphere函数评估算法性能。仿真结果表明牵引切换延迟粒子群优化算法的寻优能力优于传统的粒子群优化算法且收敛速度最快。最后,分别利用牵引切换延迟粒子群,切换延迟粒子群,传统的粒子群优化支持向量机模型进行水稻稻瘟病图像识别。通过十重交叉验证,牵引切换延迟粒子群优化的支持向量机平均识别率达到96.0%,比其他3种传统优化算法提高10%以上,且召回率指标达到97.5%,训练时间仅为73.6 s。结果表明,该方法有利于提升水稻稻瘟病的识别准确率。     

基于粒子群优化的支持向量机算法识别人类基因启动子

人类基因启动子识别是医学研究的基本需要。提取DNA序列碱基的PZ曲线特征、二核苷酸空间结构特征、保守信号似然得分,以及K联体似然得分,结合GC含量变化和非均匀指数,构建基于粒子群优化的支持向量机算法来识别人类基因启动子。利用粒子群优化支持向量机参数进行优化避免了人为选择的随机性,并且在分类问题中表现出较好的稳健性。对测试集的10-折交叉检验结果为:敏感性为92%,特异性为91%,马修斯关联系数为0.83。该结果表明,基于粒子群优化的支持向量机算法能有效识别启动子序列。     

基于GA-LSSVM的苹果糖度近红外光谱检测

【目的】结合遗传算法和最小二乘支持向量机(GA-LSSVM),优化苹果糖度近红外光谱检测的数学模型,提高模型的检测精度和稳定性。【方法】在GA-LSSVM模型建立过程中,采用遗传算法自动获取最小二乘支持向量机的最优参数。【结果】相比于偏最小二乘法(PLS)、传统最小二乘支持向量机(LSSVM)和遗传偏最小二乘法(GA-PLS)数学模型,GA-LSSVM法建立的模型预测效果最优,模型的相关系数为0.94,预测均方根误差为0.32°Brix。【结论】GA和LSSVM相结合的优化方法在提高苹果糖度近红外光谱检测精度和稳定性方面是可行的。     

基于近红外光谱的纽荷尔脐橙产地识别研究

【目的】中国柑橘产区分布广、生态类型复杂,不同产地纽荷尔脐橙果实品质和市场效应具有较大差异。研究基于近红外光谱技术的柑橘产地识别技术,利于不同柑橘产地果品的识别和鉴伪。【方法】从中国南方17个纽荷尔脐橙主要产地选择代表性成年果园,分别采摘成熟鲜果样品100个。利用SupNIR-1500近红外分析仪采集脐橙果实赤道部、肩部表面以及果汁滤液的近红外反射光谱,光谱波长范围为1 000-2 499 nm。采用主成分分析法对原始光谱数据进行预处理,提取近红外光谱的特征信息以降低数据集维度以及噪声。研究人工神经网络理论,构建由一个输入层、一个具有非线性激励函数的隐藏层和一个输出层组成的典型的3层人工神经网络识别模型。研究由径向基函数作为核函数、以光谱主成分作为输入的支持向量机模型,构建由126个分类器组成的一对一扩展支持向量机模型。研究遗传算法优异的自然选择特性,利用遗传算法从光谱主成分中选择出最优的特征基因子集作为支持向量机的输入,构建遗传算法-支持向量机模型。利用3种模型分别对果汁滤液的近红外反射光谱数据进行分类,从而实现产地识别测试,并根据产地识别精度筛选出最优的产地识别模型。进一步对比该最优识别模型对果实赤道部、肩部反射光谱数据的识别精度,从而确定识别精度最高的光谱数据采集源。【结果】利用所建立的3层人工神经网络模型对纽荷尔脐橙果汁滤液的近红外光谱进行产地识别测试,确定当输入神经元数量为11、隐藏神经元数量为13时,模型对果实产地识别的最佳精度达81.45%。采用一对一扩展方式建立支持向量机产地识别模型,研究确定采用径向基函数作为核函数,当主成分数量为20时,脐橙产地识别精度最高可达86.98%。测试利用遗传算法-支持向量机混合模型进行脐橙产地分类识别,确定当种群数量为200、遗传代数为100、交叉概率0.7、突变概率0.01时,遗传算法选择出最优的基因子集进行产地识别,遗传算法-支持向量机模型的产地识别精度最高可达89.72%,优于人工神经网络分类模型和支持向量机分类模型的产地识别精度。进一步利用遗传算法-支持向量机产地识别模型对果实赤道部及肩部的果面反射光谱进行产地识别测试,得到对应的最高识别精度分别为80.00%和69.00%。【结论】遗传算法-支持向量机模型对果汁反射近红外光谱进行产地识别精度最高,优于人工神经网络模型和支持向量机模型。该模型对果实赤道部反射光谱进行分类的精度次于果汁滤液反射光谱但优于果实肩部反射光谱,因此,可利用赤道部的反射光谱实现非破坏性果实产地分类识别。     

基于聚类的烟叶标准库和特征选择

为实现烟叶自动化分级,采用聚类算法来剔除烟叶样本中异样样本,通过计算类间的方差,选取方差值大的特征作为有用特征。利用支持向量机模拟人工操作,进行13个等级分部位、分颜色的识别。结果表明:特征选择后的最佳准确率分别为95.52%、98.22%。在提升准确率的同时,减少了输入特征的个数和采集光谱数据所需的时间。     

基于粒子群优化和支持向量机的湘中农业受灾面积预测

针对径向基核函数的支持向量机对参数选择并非最优问题,引入粒子群优化算法,对其参数进行优化,建立PSO-KSVM湘中农业受灾面积预测模型,从而通过同一样本环境下,对支持向量机预测模型和神经网络预测模型的效果进行对比分析得出:在小样本环境下支持向量机与粒子群优化算法的结合效果更为明显,预测效果更好。     

基于近红外光谱与随机青蛙算法的褐变板栗识别

为了实现板栗Castanea mollissima的快速自动分选,研究了基于近红外光谱技术的褐变板栗无损检测方法。首先采用Antaris Ⅱ傅里叶变换近红外光谱仪获取70个正常板栗和110个褐变板栗的近红外光谱（1 000.00～2 500.00 nm）,比较了不同光谱预处理方法对褐变板栗识别的影响,随后采用一种新的变量选择方法即随机青蛙算法（random frog）提取与板栗褐变相关的特征波长变量,最后基于特征波长建立和比较了褐变板栗识别的偏最小二乘?鄄线性判别分析模型（PLS-LDA）和最小二乘-支持向量机（LS-SVM）模型。结果显示:经标准正态变量变换（SNV）预处理和随机青蛙算法优选的23个特征波长所建LS-SVM模型的性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为0.92,1.00和95.00%。随机青蛙算法可以有效筛选重要的特征变量,不仅能简化模型,而且可以提高识别准确率和识别速度。图4表3参22