基于模拟退火算法-支持向量机的储粮害虫识别分类

将模拟退火算法应用于粮虫图像识别中支持向量机分类器参数C和g的优化,并与网格搜索法优化结果进行了对比,结果表明参数优化速度提高了3.91倍,分类器的识别率提高了5.56%.应用SAA-SVM分类器对粮仓中危害严重的9类粮虫进行了自动分类,识别率达到95.56%.证实了基于SAA-SVM的分类器对粮虫进行自动分类是可行的.     

基于SVM的储粮害虫图像识别分类

粮虫图像识别属于小样本、参数多和特征之间混合度大的分类问题,因此分类器的设计是自动检测系统的关键环节.为此,采用网格搜索法,以SVM交叉验证训练模型的识别率为判别准则,对支持向量机分类器的参数和进行优化.应用SVM分类器对粮仓中危害严重的9类粮虫进行了自动分类,识别率达到93%以上.结果证实了基于SVM的分类器可进一步提高粮虫识别的精度.     

基于支持向量机的中文农业文本分类技术研究

高效地组织、分类信息,是提供个性化农业信息推荐服务的基础。根据农业文本信息特点,提出了一种基于线性支持向量机(Support vector machine,SVM)的中文农业文本分类模型,首先构建农业行业分类关键词库,通过特征词选择和权重计算,构建分类器模型,实现信息的自动分类。实验选取了1 071个测试文档,并按照种植业、林业、畜牧业、渔业进行分类。结果表明,分类准确率为96.5%,召回率为96.4%。实验结果高于贝叶斯、决策树、KNN、SMO等分类算法,将该模型应用于农业物联网行业信息综合服务平台,运行结果表明,该方法能够实现中文农业文本信息的自动分类,响应时间满足系统要求。     

基于线性组合核函数支持向量机的病害图像识别研究

合理的选择、设计核函数是支持向量机方法的重要部分,不同的核函数代表了利用支持向量机解决非线性分类问题时,进行的不同的非线性映射.核函数使支持向量机可以很容易地实现非线性算法.为此,提出了一种新的核函数-线性组合核函数,将该核函数应用于支持向量机方法中,并使用该方法对北京地区甜瓜病害图像进行了识别分类;同时也与人工神经网络和其它经典支持向量机核函数的分类结果进行了对比,实验结果也验证了该核函数的有效性.     

基于支持向量机的机械零件寿命预测模型研究

机械零件的使用寿命是一个重要的问题,直接影响机械设备的安全和稳定运行。传统试验方法确定机械零件的寿命需要耗费大量的时间和资源,而且在试验过程中难以考虑到各种复杂的实际工作环境和使用条件。采用支持向量机的方法来预测机械零件的寿命,通过机械零件退化特征构造时间更新方程分析推断材料在不同工作条件下的寿命。研究结果可以为机械设备的设计和维护提供参考依据与分析方法。     

基于改进模糊支持向量机方法的车尔臣河径流预报

针对径流时间序列固有的非线性和随机性特点,本文提出了基于灰色关联分析的模糊支持向量机预报方法.该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面变化下径流样本对预报结果的影响.此外,预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小挑选出对径流过程影响显著的预报因子.将该方法应用于新疆车尔臣河的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明:该方法能提高径流中长期预报精度,是一种有效的径流时间序列预测模型.     

玉米籽粒的特征选择算法——基于支持向量机与遗传算法

在基于数字图像的玉米品种自动识别的研究中,寻找对识别贡献大的新特征项,对玉米品种识别率的提高具有十分重大的意义.把遗传算法和支持向量机算法相结合,设计了具体的基于支持向量机和遗传算法的玉米籽粒特征选择算法,利用这种算法优选提取出的玉米籽粒特征,从玉米籽粒的胚部和冠部的颜色特征与形状特征中找出了对玉米品种识别贡献较大的新特征.     

基于支持向量机的水资源开发利用

基于支持向量级模型良好的泛化能力，构建了区域水资源开发利用程度的支持向量机评价模型。针对评价标准，采用均匀分布随机函数，在三个标准间内插10个样本，形成共30个样本用于支持向量机的训练，实现了对西安市水资源开发利用程度的综合评价。实例研究表明，运用支持向量机分类模型进行区域水资源开发利用问题研究，评价结果合理、可靠，可以为区域水资源开发利用评价提供一种新的方法。     

基于支持向量机的植物图像分割

图像分割是计算机视觉领域的特别在小样本、高维情况下,具有较好的泛化性能.为此,以植物图像为例,结合数字图像处理技术,采用支持向量机法实现了植物叶片图像与背景图像的分割.实验证明,与传统的分割方法比较,该方法是高效和准确的.     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

基于改进二叉树支持向量机的离心泵工况识别方法

为保证离心泵的安全高效运行,需要对离心泵的运行工况进行识别研究.首先,使用测试函数对比研究了经验模态分解、集合经验模态分解和互补集合经验模态分解3种振动信号特征提取方法,基于性能最优的特征提取方法提取不同工况下运行的离心泵振动信号特征数据.然后,对支持向量机模型进行改进,提出了一种使用k-means聚类算法优化的二叉树支持向量机模型,并将改进模型应用到离心泵4种不同运行工况的识别中.同时,使用其他2种多分类支持向量机模型作为对比.研究结果表明:3种特种提取方法中,互补集合经验模态分解无模态混叠迹象性,噪声干扰小,性能表现更好;改进支持二叉树向量机模型分类准确率可达82.17%,对设计的4种工况具有很好的分类效果;改进支持二叉树向量机模型结构简单,训练时间短,实时性好,综合性能优于其他2种模型.     

基于支持向量机的离心泵初生空化监测

为利用机器学习的方法对离心泵运行状态进行监测,于离心泵发生空化故障前对离心泵初生空化状态做出判断,从而为离心泵运行状态在线监测提供一定的技术参考.针对基于支持向量机(SVM)的离心泵初生空化监测进行研究,采集离心泵运行振动信号,分析并选取均值、标准偏差、偏度、峭度等特征为特征向量训练模型,同时采用网格寻参与K-CV交叉...     

基于改进ORB的害虫图像特征匹配方法

引入BRISK算法思想,提出改进的BRRB算法(BRISK and ORB)。首先采用ORB算法中的特征检测算法oFAST检测到图像中的特征点,用改进的Harris角点响应函数对特征点加入尺度信息;最后用BRISK算法对特征点进行均匀采样,并生成具有尺度不变性的二进制特征描述符。将采集到的200张害虫样本数据划分为50组,分别进行图像配准实验。实验结果表明,BRRB算法的平均匹配精准度达到了约95%,比原算法提升了约73%;平均计算速度约为47.8 ms;在综合性能实验中,改进后算法的平均匹配精度比传统算法高出了0.6个百分点,在光照不变性上比传统算法高出了1.9个百分点。改进后算法有效的解决了ORB不具备尺度不变性的缺陷,并且保留了原算法在计算速度上的高效性和对旋转、光照的不变性,使害虫图像的匹配工作更加精准,为农作物害虫识别和防治工作提供技术支持。     

基于支持向量机分类的生态环境预警

将支持向量机(SVM)理论与经济预警理论相结合，提出基于SVM的生态环境预警方法，并应用于黑龙江省牡丹江市的生态环境预警，具有较好的效果。     

基于支持向量机的地面驱动螺杆泵井工况诊断技术

地面驱动螺杆泵井举升工艺的故障频发,限制了其进一步发展.为了提高地面驱动螺杆泵井的经济效益和管理水平,提出了基于支持向量机的地面驱动螺杆泵井工况诊断技术.选取产量、动液面等8个表征油井工作状态的变量作为输入参数,常见10种螺杆泵井工况作为输出参数,以东胜公司金家油田已存故障地面驱动螺杆泵井为基础,建立诊断样本集,采用投票法建立C²₁₀=45个子分类器,基于网格寻优、遗传算法和粒子群寻优算法对C,g进行优化计算,借助Matlab调用Libsvm工具箱对支持向量机模型进行训练,利用东胜公司金家油田15口地面驱动螺杆泵井进行诊断验证,并与人工神经网络方法进行了对比.结果表明:采用支持向量机诊断方法诊断正确的有14口油井,诊断正确率为93.33%,与人工神经网络方法(88.90%)相比具有更高的精度,在小样本诊断问题中具有更强的优势,是一种切实可行的智能诊断方法.     

基于LS-SVM的螺旋定量加料预测及试验研究

为提高螺旋定量加料性能,开展了智能预测技术对加料量准确性的影响研究.针对考虑螺旋速度和填充率等因素对螺旋不连续定量加料的影响难以用精确数学模型来描述加料量的问题,以螺旋加料装置为研究对象,加料量为预测目标,螺杆旋转角度为主影响因子,螺旋速度和填充率为影响因素, 建立了一种基于最小二乘支持向量机(LS-SVM)与旋转角度的加料量预测模型,研究加料量与主影响因子和影响因素之间的复杂非线性关系.采用交叉验证方法辨识模型参数,开展螺旋不连续定量加料量预测与实际加料试验.结果表明:该模型的预测结果与设定值较吻合,优于理论估算和BP神经网络预测模型,采用分料装置填充率接近1时,预测误差平均为±0.02.该模型可应用于螺旋不连续定量加料的预测与控制.     

基于PCA-GA-SVM的甘蔗收获机运行状态识别

由于甘蔗收获机在收获过程中智能化水平较低,依靠人工操作很容易对甘蔗收获机的运行状态产生误判,从而造成物流通道堵塞、能源浪费、收割效率低。针对这些问题,提出一种基于主成分分析(PCA)、遗传算法(GA)和支持向量机(SVM)状态识别模型。首先,通过实地采集甘蔗收获机刀盘轴、行走轴、切段轴和风机轴扭矩和行驶速度特征信息,然后通过PCA进行数据降维,最后利用GA优化参数C、γ,使用每个特性信息来训练SVM,对甘蔗收获机运行状态进行分类。结果表明:PCA-GA-SVM状态识别模型对甘蔗收获机运行状态的识别准确率为93.75%,建模时间为3.688 s,与SVM(81.25%,9.487 s)、PCA-SVM(87.5%,5.817 s)和GA-SVM(90%,8.969 s)进行对比,该模型具有最高准确识别率和最快建模速度,具有较大的应用价值。     

改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。     

基于Faster R-CNN的马铃薯晚疫病图像识别系统

马铃薯晚疫病在我国南方降雨较多的省份十分常见,该病害严重时,马铃薯植株会提早枯死,产量受损严重。通过计算机对马铃薯晚疫病识别很有必要。对Faster R-CNN网络进行微调,对图片进行预处理,将马铃薯叶片病害图片进行多种旋转,改变亮度值和对比度,增加噪点,并且使用迁移学习,最后实现了马铃薯晚疫病图像的精准识别。