基于近红外光谱和支持向量机的土壤参数预测

应用支持向量机算法对实时土壤光谱数据进行处理,获得了土壤全氮和有机质的回归模型并研究了模型随参数变化的规律。从中国农业大学试验田采集了150个土样,用光谱仪获取了原始土壤样本的近红外光谱,用实验室分析法获取了各样本的全氮和有机质含量。以近红外光谱数据为自变量对2个土壤参数进行了回归建模并评价了算法各参数对模型的影响。研究表明土壤参数适合于全谱支持向量回归。对于土壤全氮,基于小波降噪NIR光谱的SVM回归模型的标定R2为0.9224,验证R2为0.3667;对于土壤有机质,基于原始NIR光谱的SVM回归模型     

支持向量机在电子鼻区分不同品种苹果中的应用

为了提高电子鼻检测苹果气味的精度和鲁棒性,利用6点平滑法对气体传感器的数据进行去噪处理,并用支持向量机建立识别模型。应用结果表明,经过去噪处理后,曲线变得光滑,但仍能保持原来的形状,这说明去噪处理既滤除了传感器数据中的噪声同时又保留了传感器的主要信息。提取每个传感器的最大值作为特征参数。分别运用主成分分析和两个支持向量机模型区分富士、花牛、姬娜3种不同品种苹果的气味,主成分分析结果表明3种苹果分布区域存在重叠;两个支持向量机模型可以很好的区分这3种苹果,其中对姬娜和富士的识别正确率达到90％以上,而对花牛苹果的识别正确率达到100％。     

支持向量机在土壤镁含量高光谱估算中的应用

研究利用土壤样本实验反射光谱,分析了土壤镁(Mg)含量与土壤反射光谱的关系,比较了主成分回归分析(PCR)、偏最小二乘回归分析(PLSR)和支持向量机回归分析(SVMR)等方法,以及土壤反射光谱及其变换光谱与土壤Mg含量之间的估算模型,为土壤Mg含量高光谱估算提供依据。结果表明:PCR、PLSR、SVMR 3种建模方法在Mg含量的估算中,SVMR的估算精度相对较高,估算精度平均达到80.96%,分别比PCR和PLSR提高了6.16%、4.20%;对于不同的数学变换处理方法,一阶微分变换相对较好,估算精度平均为80.76%,分别比反射率、倒数对数变换提高了4.95%、4.61%。因此,运用土壤反射光谱一阶微分变换的SVMR进行建模,可以相对较好地估算全Mg含量,精度达84.04%。     

多分类支持向量机在泥石流危险性区划中的应用

以凉山州安宁河流域129个乡镇的泥石流危险性区划资料为依据,随机选取总样本数的2/3和1/2作为训练样本,建立不同数量训练样本下安宁河流域泥石流危险性区划的多分类SVM模型,进行以乡镇为单元的区域泥石流危险性评价研究。评价结果表明,SVM模型的预测精度随着训练样本数量的增加而提高;2个SVM模型对测试样本的预测准确率均高于相应的BP神经网络模型,对训练样本的回判准确率高于或接近于BP神经网络模型。因此,支持向量机方法是一种比神经网络方法具有更优精度和更强泛化性能的新机器学习方法,在泥石流危险性评价实践中具有十分广阔的应用前景和推广应用价值。     

应用红外光声光谱技术及支持向量机模型测定土壤有机质含量

快速测定土壤有机质含量对作物生产和土壤肥力评价具有重要意义,红外光声光谱技术的应用为土壤有机质快速测定提供了可能。本研究以江苏省南京市溧水区水稻土土样为材料,探究了红外光声光谱技术在有机质测定中的应用。采用主成分分析、偏最小二乘和独立成分分析,分别提取了土壤光谱的主成分、偏最小二乘潜变量和独立成分,并以提取的信息输入支持向量机,从而构建了三种支持向量机校正模型。同时,偏最小二乘也被用于建立校正模型,作为支持向量机模型的对照。预测结果表明,基于独立成分的支持向量机模型效果最好,预测相关系数R2、均方根误差RMSEP和实际测量值的标准差与光谱模型预测值标准差的比值即RPD值分别为0.808、0.575和2.28。F检验表明,该模型显著优于基于主成分的支持向量机模型,但与基于偏最小二乘潜变量的支持向量机模型,以及经典偏最小二乘模型没有显著差异。t检验表明,各校正模型对有机质的预测结果与化学测定结果没有显著差异。因此,红外光声光谱技术为土壤有机质的快速测定提供了新的技术手段。     

支持向量机、信息向量机和相关向量机的比较研究

介绍了支持向量机、信息向量机和相关向量机的理论与算法。利用最优化对偶理论,阐述了支持向量机的三种主要算法：硬间隔支持向量机、软间隔线性支持向量机和二次软间隔支持向量机的理论推导过程。对基于高斯过程模型,详细说明了信息向量机和相关向量机算法的实现过程。     

基于高光谱和参数优化支持向量机的水稻施氮水平分类研究

为探索水稻氮素营养的快速、无损诊断方法以及构建基于高光谱技术的水稻氮素营养状况分类识别模型。本研究以 4种不同施氮水平的“中嘉早 17”水稻分蘖期顶部第三完全展开叶叶片(简称顶三叶)为研究对象,测定各叶片的可见光到近红外波段(350～ 2500 nm)内的光谱数据,对所获取的光谱数据进行平滑处理和归一化处理,以消除噪声及量纲的影响,并采用主成分分析(PCA)的方法进行数据降维至 22维,同时分别选用基于网格搜索算法、粒子群算法和遗传算法优化参数的支持向量机进行水稻氮素营养状况分类识别模型的建立。研究结果表明:1)不同施氮水平下的水稻叶片光谱反射率曲线走势大致相同,但不同施氮水平下 780～ 1 300、1 400～ 1 850及 1 900～ 2500 nm波段光谱反射率存在一定的差别;2)优化参数后的 SVM模型与默认参数下的 SVM模型相比,其训练集与测试集分类识别效果都要优于默认参数下的 SVM模型。其中,以遗传算法优化参数的 SVM模型识别分类效果最佳,训练集和测试集识别准确率分别为 99.375%、98.750%,测试集的4种施氮水平(施氮量从低到高)识别准确率分别为 100%、95%、100%和 100%。结果表明利用高光谱技术能够很好地进行水稻氮素营养状况的定性诊断研究。为快速水稻氮素营养诊断提供了一种新途径,为精确施氮提供了技术支撑和理论依据。     

优化支持向量机在鲜切生菜加工HACCP分类中的应用

该文介绍了一种基于支持向量机模型解决鲜切生菜加工HACCP（hazard analysis and critical control point）关键控制点智能发现的方法。在通用支持向量机模型进行鲜切生菜加工关键控制点的发现试验中,依靠人工经验选取支持向量机（support vector machine,SVM）核函数参数,识别关键控制点准确率波动较大。该文利用遗传算法优化支持向量机核函数参数的选取,构建了一种基于遗传算法的支持向量机（GA-SVM）模型,应用该模型在鲜切生菜生产关键控制点的发现试验中获得了87.5%的识别率,比传统方法稳定性更高。该方法对其他HACCP关键控制点的智能发现具有很好的借鉴意义。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

全光谱匹配算法在苹果分类识别中的应用

为进一步提高光谱匹配准确率,该研究对杰卡德相似性原理（jaccard similarity coefficient,JSC）进行改进并提出新的光谱相似度的计算方法。同时,对光谱进行一阶导数二值化,以保证改进后的算法适用于光谱的匹配。此外,对不同光谱分辨率对该算法的影响进行了研究。试验样本选用阿克苏红富士、山东红将军、陕西红富士和陕西金帅4个品种的苹果进行算法能力验证,在2～128 cm-1之间,共7个不同水平的分辨率上进行比较。试验结果表明：该研究提出的算法正确分类识别率为94.5%;研究提出算法在8或16cm-1分辨率水平下取得最佳分类识别结果。因此,基于JSC的全谱匹配算法在光谱数据库系统中的应用将有助于光谱查询精度的提高。     

利用机器视觉与近红外光谱技术的皮蛋无损检测与分级

为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。     

基于太赫兹光谱和支持向量机快速鉴别咖啡豆产地

结合太赫兹时域光谱技术和支持向量机对3种典型产地的咖啡豆进行了鉴别。选取埃塞俄比亚(Ethiopia)、哥斯达黎加(Costa Rica)以及印度尼西亚(Indonesia)3个产地咖啡豆样品进行压片处理,采用太赫兹透射模式获取样品的时域和频域光谱信号,并用主成分分析法对太赫兹频域光谱信号进行分析;构造了基于粒子群(partical swarm optimization,PSO)参数寻优的支持向量机(support vector machine,SVM)鉴别模型,模型对不同产地咖啡豆样品的综合识别正确率达到95%。试验结果表明,太赫兹作为新型的检测手段结合模式识别方法可用于咖啡豆的产地鉴别。该文为一类在太赫兹波段下没有明显特征吸收峰的农产品/食品安全检测和产地追溯研究提供了一种快速、准确的方法。     

基于机器视觉的作物多姿态害虫特征提取与分类方法

由于野外诱捕害虫的姿态存在多样性和不确定性,使得利用机器视觉进行害虫的自动识别与计数仍然是一个难题。该文提出一种基于颜色和纹理等与形态无关的特征相结合和利用多类支持向量机分类器的多姿态害虫分类方法。通过对目标害虫图像进行不同颜色空间特征、基于统计方法的纹理特征和基于小波的纹理特征的提取,构建了6组不同组合的特征向量。将10阶交叉验证的识别率作为适应度函数值,利用遗传算法对各组特征向量进行降维筛选。最后利用基于有向无环图多类支持向量机分类器对多姿态害虫进行识别和特征组选择。结果表明,遗传算法最多可以使特征向量维数降到原来的38.89%,基于HSV三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面都表现最优,可以作为一种有效的多姿态害虫分类特征选择。     

支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法

利用遥感手段提取农作物种植面积时,需要结合作物物候特征,以提高面积的提取精度。该文以北京市通州区西南部为试验区,以冬小麦为研究对象,利用多时相的环境减灾小卫星遥感影像数据,通过基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦种植面积遥感测量试验研究。研究结果表明：该文提出的方法测量结果总体精度、Kappa系数分别为95%、0.90,远高于支持向量机（SVM）分类后直接比较方法（总体精度91%,Kappa系数0.79）;解决了实际应用中的变化阈值选取的主观性问题,该方法的频度直方图两极化现象使得变化阈值取值部分频度被压低摊平,阈值敏感度降低,变化阈值取值更为客观,一定程度上解决了阈值难以设定的问题;SVM二分法和变化向量分析的结合增强了对光谱的敏感性,能够监测不同季相上植被的长势变化,进而提高了农作物种植面积遥感测量的精度,同时对其他农作物种植面积测量提供了途径。     

小波分析与支持向量机结合的冬小麦白粉病遥感监测

为利用遥感影像数据在区域尺度上实现快速、准确地监测小麦白粉病的发生、发展情况,该研究基于环境与灾害监测预报小卫星(HJ-1A/1B)数据对地表温度(land surface temperature,LST)进行反演、提取4个波段反射率数据并构建7个植被指数。耦合K-mean和Relief算法对小麦白粉病遥感特征进行筛选。通过支持向量机(support vector machine,SVM)与小波特征(Gabor)结合SVM(Gabor SVM)的方法分别建立河北省晋州市小麦白粉病发生监测模型,并对2种模型的监测精度进行对比。结果表明:归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio index,SR)和地表温度3种特征参量可较好地表征小麦白粉病的发生情况,Gabor SVM的总体精度达到86.7%,优于SVM的80%。因此,小波分析与支持向量机结合的方法可用于基于卫星遥感影像的大面积病害监测,对提高病害监测精度具有重要应用价值。     

基于支持向量机的玉米叶部病害识别

针对玉米叶部病害图像的特点,提出将支持向量机（SVM）组成的多分类器应用于多种玉米叶部病害识别中。首先利用Live-Ware分割算法分割出玉米叶部病灶,再利用小波特征提取算法提取病灶的特征向量,最后利用支持向量机分类方法进行病害的识别。玉米叶部病害图像识别试验结果表明,支持向量机分类方法适合小样本情况,具有良好的分类能力,适合多种玉米叶部病害的分类。不同的分类核函数的相互比较分析表明,径向基核函数最适合玉米病害的分类识别。     

结合LLE流形学习和支持向量机的猪肉颜色分级

猪肉颜色分级是肉品品质无损检测的重要内容。该文通过对猪肉彩色数字图像颜色规律的分析,结合猪肉红(R)、绿(G)、蓝(B)颜色分量及其亮度和饱和度值,构建了一个新的颜色维度。将采集的1070份猪肉图像样本进行专家分级和标记后,给出了猪肉颜色的特征表示,并利用支持向量机(SVM)进行了颜色分级。试验结果表明,随着训练集样本数的增加,分级准确率有所提高。当将所有样本作为训练集时,分级准确率高达96.5%。针对SVM分级后泛化能力不强的问题,采用流形学习LLE维数变换,使其泛化能力由37%提高近1倍。结果表明LLE可有效改善SVM的分级准确率。该方法可为猪肉品质无损检测的研究与应用提供参考。     

基于最小二乘支持向量机的泵性能分析

泵的性能曲线是泵选型、优化调度和泵站运行的重要依据,通常该曲线均是通过试验或是根据试验数据和性能图表上的数据进行曲线拟合而获得,但这些方法复杂昂贵,而且拟合精度不高。针对以上方法的缺点,提出了一种基于交叉验证最优参数选择的最小二乘支持向量机（LSSVM）泵性能预测方法。通过最小二乘支持向量机（LSSVM）学习算法网络的设计和构建,并应用网络搜索－交叉验证的方法对支持向量机参数进行优化选择,模拟得到复杂和非线性很强的泵的性能曲线,经优化模型输出值和试验值、同多项式拟合值以及径向基神经网络误差的比较,交叉验证最优参数选择的最小二乘支持向量机具有优良的非线性建模能力和泛化能力,在有限学习样本条件下仍获得了很高的精度,平均相对误差为0.02378%,为泵的性能分析提供了一种简便可行的智能方法。