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。     

特征波长筛选结合PCA-LSSVM 对甜瓜叶片SPAD值的预测

【目的】利用光谱技术对定量估测大田甜瓜冠层叶片叶绿素含量,为田间的水肥调控以及田间管理提供理论依据。【方法】采用一阶求导对400～1 100 nm的叶绿素可见近红外反射光谱数据进行预处理,对于冗余的光谱数据,先分别使用特征筛选中的竞争性自适应重加权采样法(CARS)、遗传算法(GA)、蒙特卡罗无信息变量消除法(MC-UVE),再分别与主成分分析(PCA)特征提取算法融合;分别建立极限学习机(ELM)、支持向量机(SVM)、最小二乘支持向量机(LS-SVM)对甜瓜叶片SPAD定量预测模型。【结果】单一的特征筛选下,最优预测模型为CARS+SVM,校正集相关系数为0.903 5,预测集相关系数为0.893 1;特征筛选和特征提取融合下,最优的预测模型为GA+PCA+LSSVM,校正集相关系数0.955 8,预测集相关系数为0.939 7。【结论】优化后的模型可用于定量分析的使用,精准测定甜瓜叶片叶绿素含量。     

基于机器学习算法的河南省冬小麦面积提取研究

为了精准获取河南省冬小麦空间分布及面积数据,基于2003—2021年250 m MODIS-NDVI时间序列遥感数据集,通过设置不同的阈值条件获得高质量的样本数据,采用深度神经网络(DNN)、随机森林(RF)和支持向量机(SVM)算法,自动从NDVI时序数据中提取冬小麦特征,分别训练出非线性模型,在250 m尺度对河南省冬小麦分布和面积进行识别。结果表明,基于DNN算法的河南省冬小麦面积识别模型精确率为97.26%,总体一致性为97.97%;基于RF、SVM算法的精确率分别为91.51%和89.31%,总体一致性均在90%以下。和RF、SVM算法相比,DNN算法在精度上有明显的提升,能够更好地反映河南省冬小麦的时间变化趋势和空间面积分布。该研究说明,运用中等分辨率长时间序列影像结合DNN算法,在一定程度上可以更准确识别大区域的农作物信息。     

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SVM的汉语动词短语分类算法研究

对SVM分类器进行了分析,提取了汉语动词短语的静态特征和动态特征,构造了动词短语的向量空间模型,提出了基于SVM的汉语动词短语分类算法.实验表明:与基于规则的分类方法比较,SVM方法大大减少分类器更新所需要的学习步骤和时间,是一种较好的分类算法.     

基于改进核函数的支持向量机时间序列数据分类

针对传统支持向量机(support vector machine,SVM)对时间序列数据分类,仅通过样本在空间中的几何距离判别样本的类别,提出了一种基于改进核函数的支持向量机算法(SVM_IK,SVM with improved kernel function)。该算法计算样本与空间基数据的时间序列互相关距离,将样本数据映射到新的特征空间中,实现对线性核函数改进,最终根据改进的线性核函数SVM算法对样本数据进行分类。算法通过25组UCR数据集的验证,实验结果显示与1-NN算法和传统SVM算法相比,SVM_IK算法对时间序列数据具有较好的分类效果。     

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K-mer-SVM的piRNA预测

采用支持向量机(SVM)结合K-mer分布特征预测piRNA.利用多种生物的非编码RNA序列数据库,从中挑选出piRNA序列作为正样本,并以由该数据库构建的非piRNA序列作为负样本,将正样本和负样本构成的数据随机取出50%作为训练集,将剩余的数据作为测试集;提取正样本和负样本序列的K-mer分布特征构建特征矩阵;用SVM对其进行分类,实现piRNA预测.结果表明K-mer-SVM在准确率、正例覆盖率、MCC和F测度等分类指标上均明显优于K-mer-LDA,说明K-merSVM是更好的piRNA预测算法.     

基于SVM算法的区域农田灌溉短期用水量预测方法

常规方法对区域农田灌溉短期用水量预测时易出现预测数据误差大,预测过程复杂等现象。设计基于SVM算法对区域农田灌溉短期用水量进行预测。以某沿黄区域位于全景属于黄河流域东南方向一区域农田为研究对象,首先基于SVM算法选择用水量特征,选取一对一的构造方法将农田灌溉短期用水量数据分为两个类别。通过SVM算法中支持向量机分类功能将农田灌溉短期用水量特征子集进行获取,并在此基础上可以根据特征子集通过预测模型进行用水量预测。由于用水量序列波动性较强,将GM(1,N)模型与机器学习算法LSSVR模型相结合来进行用水量预测,并确定模型评价指标。结果证明基于SVM算法的区域农田灌溉短期用水量预测方法误差在允许范围内且在农业中具有可使用性。     

一种玉米雄穗图像识别算法研究

针对复杂的玉米田间图像,提出了一种玉米雄穗识别算法。该算法在HOG/SVM算法的基础上进行改进,为了弥补HOG特征只表现图像的轮廓特征这一缺点,分别提取待测图像块的颜色特征、轮廓特征和纹理特征,并送入提出的组合级联SVM分类器中进行判别。该SVM分类器是由2级SVM模型组合构成的,并使用大量经过人工标注的雄穗图像和背景图像为样本训练而成。综合考虑分割结果和性能评价,雄穗成功识别率为83%,该方法能很好地识别玉米雄穗,适用于复杂田间玉米雄穗图像的分割。     

KNN和SVM算法在中文文本自动分类技术上的比较研究

中文文本分类技术在中文信息智能处理方面具有十分重要的作用,比如:中文信息检索和搜索引擎等,KNN、贝叶斯、SVM等算法都可以应用到中文文本分类技术上,本研究分析和比较了KNN和SVM两种分类算法,并通过实验比较这两种算法对中文文本分类技术的效果。结果表明:SVM算法较优,是一种较好的中文文本分类算法。     

基于TM影像的城市绿地信息提取

城市绿地作为城市生态系统中的一个子系统,在城市的环境问题日益恶化的今天发挥着越来越重要的作用.本研究以江苏省徐州市为例,运用TM遥感数据为数据源.通过计算相关系数选取3种最优波段进行组合,运用SVM分类法,提取城市绿地信息.结果表明.该方法对研究区域绿地信息的提取取得了较好的效果.最后提出研究区域的绿地规划建议.     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

基于机器学习和图像处理技术的病虫害预测

针对传统病虫害预测过于繁琐、准确度低的现状,提出一种基于图像处理与SVM(支持向量机)结合的病虫害预测算法,并对未来几年病虫害可能发生的面积进行了有效预测.首先通过图像滤波、特征提取等图像处理技术得到昆虫数学形态学特征,然后结合往年病虫害数据对特征进行标签设定和科学分类,继而对未来病虫害的发生进行合理预测.通过构建动态预测模型进行有效的、科学的病虫害预测预报.最后,通过与实际值进行对比,预测精度达到了90%.实验结果表明,该方法具备较好的预测精度,是一种合理科学的预测方法.     

基于图像融合特征的番茄叶部病害的识别

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。     

Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery

Mango is a commercial crop on Hainan Island, China, that is cultivated to develop the tropical rural economy. The development of accurate and up-to-date maps of the spatial distribution of mango plantations is necessary for agricultural monitoring and decision management by the local government. Pixel-based and object-oriented image analysis methods for mapping mango plantations were compared using two machine learning algorithms (support vector machine (SVM) and Random Forest (RF)) based on Chinese high-resolution Gaofen-1 (GF-1) imagery in parts of Hainan Island. To assess the importance of different features on classification accuracy, a combined layer of four original bands, 32 gray-level co-occurrence (GLCM) texture indices, and 10 vegetation indices were used as input features. Then five different sets of variables (5, 10, 20, and 30 input variables and all 46 variables) were classified with the two machine learning algorithms at object-based level. Results of the feature optimization suggested that homogeneity and variance were very important variables for distinguishing mango plantations patches. The object-based classifiers could significantly improve overall accuracy between 2–7% when compared to pixel-based classifiers. When there were 5 and 10 input variables, SVM showed higher classification accuracy than RF, and when the input variables exceeded 20, RF showed better performances. After the accuracy achieved saturation points, there were only slightly classification accuracy improvements along with the numbers of feature increases for both of SVM and RF classifiers. The results indicated that GF-1 imagery can be successfully applied to mango plantation mapping in tropical regions, which would provide a useful framework for accurate tropical agriculture land management.     

基于高光谱的水稻叶片氮素营养诊断研究

为快速、准确地实现水稻氮素营养诊断,以中嘉早17水稻为试验对象,设置4种施氮水平的水稻栽培试验,利用便携式地物波谱仪获取240组水稻分蘖期顶三叶在350~2 500 nm的光谱数据。随机将样本划分为训练集(160个样本)和测试集(80个样本)。首先,通过多元散射校正(MSC)、变量标准化校正(SNV)、平滑算法(SG)3种方法分别对原始光谱进行预处理;然后,采用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维,选取累积贡献率超过99.98%的前24个主成分作为模型的输入变量,对于经过MSC、SNV和SG处理后的光谱数据,还分别筛选出12、15、19个特征波长;最后,应用支持向量机(SVM)基于上述处理分别建立水稻氮素营养诊断模型。结果表明,采用MSC-PCA-SVM模型进行水稻氮素营养诊断的识别准确率最高,其在训练集和预测集上的准确率分别达99.38%和97.50%。     

基于模糊c-均值聚类的SVC迭代训练算法

针对支撑向量机（Support vector machine,SVM）在大规模数据的问题,提出了一种基于模糊c-均值聚类样本选择策略的SVC（SVM for classification）迭代训练算法,从样本抽取、迭代训练两个方面进行了改进,并在多个较大规模UCI标准测试集上进行了试验.结果表明,所提出的迭代训练算法收敛快,在保证学习精度的同时使训练速度加倍、支撑向量减少一半.