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。     

基于支持向量机的干旱预测研究

支持向量机（SVM）是基于统计学习理论的一种智能学习方法,可以用来解决样本空间的高度非线性的模式识别等问题。干旱是气候因子非线性复杂关系相互作用造成水分严重亏缺的一种气候异常反映,本文选择SVM方法,利用8月南方涛动指数、副高强度指数、极涡强度指数等15项因子,基于径向基核函数建立浙江省秋季的干旱预测模型,应用交叉验证方式确定最优模型参数,并进行了预测,对模型的检验结果表明,建立的干旱预测模型能直接对秋季干旱进行预测,并且有较高的准确率,可为气候预测从气候要素预测到气象灾害预测提供一种有效途径。     

改进支持向量机的股票价格预测研究

为了提高股票价格预测精度,提出一种改进支持向量机的股票价格预测模型。该模型利用粒子群算法的全局寻优能力对支持向量机参数进行优化,以提高股票价格的预测精度,采用具体股票价格数据对模型性能进行测试。结果表明,改进支持向量机能够对股票价变化趋势进行预测,是一种有效、高精度的股票价格预测模型。     

基于支持向量机的土壤湿度模拟及预测研究

基于中山大学珠海校区气象观测站日平均风速、日平均气温、日平均空气湿度、日平均水汽压、日平均总辐射量、日平均地表温度、日平均降雨量、日平均蒸发量以及日平均10 cm、20 cm、30 cm土层土壤的含水量,利用支持向量机方法建立气象因子与土壤湿度统计关系,并以此为基础建立土壤湿度模拟与预测模型.结果表明,土壤湿度对气象因子有一定滞后相关性,不同土层土壤湿度对气象因子的滞后相关性不同.研究发现考虑滞后相关性的预测模型在精度上要高于不考虑滞后相关性的预测模型.此外,利用气象因子对地下10 cm的土壤湿度模拟与预测精度较高,而对地下20 cm、30 cm的土壤湿度模拟精度较低.利用地下10 cm与20 cm、20 cm与30 cm的土壤湿度相关性大的特点,可以考虑利用支持向量机方法以10 cm土壤湿度模拟与预测20 cm的土壤湿度,以20 cm的土壤湿度模拟与预测30 cm的土壤湿度,分析结果表明模拟精度较高.     

基于支持向量机的土壤水力学参数预测

为了分析支持向量机在土壤水力学参数预测方面的效果,应用支持向量机构建用于预测土壤水力学参数的土壤传递函数,以土壤粒径分布、容重、有机质含量等土壤理化性质为输入项,分别预测土壤饱和导水率、饱和含水率、残余含水率,以及van Genuchten公式参数的对数形式。结果表明预测值和实测值不存在显著性差异,用支持向量机预测土壤水力学参数是可行的。不同输入项处理的预测分析表明,输入项为粒径分布、粒径分布和容重、粒径分布和有机质含量3种情况的预测效果差异不明显,而输入项为粒径分布、容重和有机质含量时预测效果优于前3种情况。支持向量机在预测土壤水力学参数方面的效果要优于多元线性逐步回归模型,而与BP神经网络模型相比不具有明显好的预测效果。     

基于支持向量机方法建立土壤湿度预测模型的探讨

支持向量机(Support Vector Machine简称SVM)方法,是通过核函数实现到高维空间的非线性映射,适宜于解决非线性问题,具有算法简单、计算量小、易于实现等优点。本文运用支持向量机方法建立了不同土层土壤湿度预测模型,0~10cm土层土壤湿度预测模型有较好的推广能力,10~50cm处的各层预测模型预报能力相对较弱。分析土壤湿度历史监测资料,发现同一时刻0~10cm土层与其它各土层土壤湿度具有较高的相关关系,基于此建立了预报精度较高的各土层土壤湿度的预测模型,实现了运用前期环境气象因子对各土层土壤湿度的预测。     

基于Isomap和支持向量机算法的俯视群养猪个体识别

针对俯视群养猪视频序列,提出了一种利用机器视觉技术对猪个体进行识别的方法。首先对采集的俯视群养猪视频序列进行前景检测与目标提取,获得各单只猪个体,其后建立训练样本,提取猪个体颜色、纹理及形状特征,组合构建表征猪个体的特征向量,接着对组合特征利用Isomap算法做特征融合,在最大程度保留有效识别信息的基础上降低特征维数,最后利用优化核函数的支持向量机分类器进行训练与识别。试验选取了900帧图像,试验结果表明该文所提方法切实有效,猪个体最高识别率为92.88%。该文从机器视觉角度探索了俯视群养猪的个体识别,有别于传统的RFID猪个体识别,该研究为无应激的猪个体识别提供了新思路,也为进一步探索群养猪个体行为分析等奠定了基础。     

基于废气成分分析和支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出了一种基于废气成分分析和支持向量机的发动机故障诊断方法。该方法首先运用NHA500废气分析仪采集发动机典型故障状态下的HC、CO、CO2、O2、NOX等废气参数值,接着对采集到的数据进行规范化处理,提取特征向量作为学习样本,然后用于设计训练基于支持向量机的多元分类器,进行故障类型识别。试验结果表明,采用纠错编码的支持向量机分类方法比神经网络具有更好的抗干扰性和更强的分类能力,在小样本的情况下故障诊断正确率达98.5%,能有效描述废气成分变化和故障状态之间的复杂关系。     

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。     

基于支持向量机分类的遥感土壤盐渍化信息监测

遥感技术在大尺度土壤盐渍化检测方面有着宏观性、实时性、动态性等优势和广阔的应用前景,但是传统的遥感图像分类方法精度不高、分类效率较低和不确定性.提出了基于支持向量机(SupportVectorMachine,SVM)的分类方法,介绍了SVM算法的基本原理,通过支持向量机分类法与传统分类方法(最大似然法和最小距离法)在盐渍化信息提取结果上进行对比,表明基于SVM的遥感图像分类方法能够较好的检测土壤的盐渍化信息,分类总精度达到95.66%,比最大似然法和最小距离法分类精度(分别为91.54%和85.42%)更高,因此更适合于遥感图像分类和盐渍化信息检测.     

基于支持向量机的滴灌灌水器流量预测模型建立与验证

为了直接、准确预测灌水器流量,引入支持向量机预测方法,取灌水器6个工作压力和8个几何参数作为因素,正交设计安排300组灌水器训练样本和30组检测样本,并采用精度较高的SST k-ω模型模拟计算灌水器流量,同时利用遗传算法对支持向量机参数进行优化计算,得到与模拟流量误差最小的流量预测值。结果表明,惩罚参数为100、核函数参数为20时检测样本的流量预测值与模拟值的误差最小,平均相对误差为1.91%,决定系数为0.98,而回归拟合方法计算得到的平均相对误差为6.45%,决定系数为0.93,表明支持向量机预测流量的优越性,且30组试验验证样本的平均相对误差为2.25%,证明支持向量机预测的准确性和可靠性。预测模型建立可有效地提高灌水器研发效率,对水力性能评估和流道结构设计与优化提供依据。