基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

基于双编码遗传算法的支持向量机作物病害图像识别方法

为了实现作物病害的计算机识别,采用基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法,对病害图像增强处理,彩色病斑分割,特征参数提取,构建双编码遗传算法优化特征子集,并赋予权重的一对一投票策略支持向量机来分类识别作物病害进行研究.结果表明:在同等条件下,该方法与没有采用遗传算法的支持向量机相比,特征向量减少了38％,正确率提高了6.29％.     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

基于支持向量机的农业数据分类研究

介绍了支持向量机的原理,研究了基于支持向量机的农业数据分类,结果表明应用支持向量机可以有效地提高农业数据的分类性能。     

基于支持向量机的水稻纹枯病识别研究

[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。     

基于Variance–SFFS的小麦叶部病害图像识别

利用中值滤波结合k均值聚类的方法分割出小麦白粉病、条锈病和叶锈病叶部病斑,分别采用颜色矩和灰度共生矩阵的方法提取病斑的颜色特征和纹理特征参数,设计了一种基于Variance算法初选与序列浮动前向选择搜索算法(SFFS)相结合的特征选择方法,选择出优良的特征子集,实现对小麦3种叶部病害的识别。试验以SVM为分类器,利用特征选择方法获得的特征子集识别准确率为99%,与采用主成分分析(PCA)方法进行特征降维获得的子集的识别准确率比较,能有效降低特征维度,提高识别准确率。     

基于纹理特征和支持向量机的玉米病害的识别

针对玉米病害叶片彩色纹理图像的特点，提出一种将支持向量机和色度矩分析应用于玉米病害识别的方法。首先利用色度矩提取玉米病害叶片纹理图像的特征向量，然后将支持向量机分类方法应用于病害的识别。玉米病害纹理图像识别实验结果表明：支持向量机分类方法对于病害分类训练样本较少时，具有良好的分类能力和泛化能力，适合于玉米病害的分类。不同分类核函数的相互比较分析表明，径向基核函数最适合于玉米病害的分类识别。     

基于支持向量机遥感图像融合分类方法研究进展

总结了近年来国际上图像融合以及支持向量机的应用的研究进展,分析了支持向量机用于遥感图像融合分类的趋势、优势以及目前存在的问题,指出了该研究领域的研究方向。     

支持向量机在地下水水质评价中的应用

【目的】针对地下水水质评价中影响因素的模糊性和各因素与评价等级之间的不确定性等问题,采用支持向量机模型进行地下水水质评价研究,改进地下水水质评价方式。【方法】应用非线性支持向量机模型中的分类支持向量机,选用Gauss核函数,以羊毛湾灌区部分水井的水质资料为研究对象,进行地下水水质评价,并利用综合指数法和BP人工神经网络法对评价结果进行验证。【结果】羊毛湾灌区水质评价结果显示,该区地下水资源已被污染,需要进行保护性开发。3种方法的评价结果较为相似,但相较于综合指数法,支持向量机计算速度较快,易于通过计算机实现;相较于标准BP人工神经网络模型,支持向量机的评价精度较高,收敛速度较快,且所需参数较少。【结论】支持向量机能将复杂的非线性问题转化为线性问题,从而有效地避免过学习问题,并且拥有极大的泛化能力和对小样本问题的处理能力,可有效提高地下水水质评价精度,简化评价过程,为地下水水质评价提供了一条新思路。     

基于遗传算法和支持向量机的储粮害虫图像识别

建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。     

基于SVM的多光谱影像与SAR图像融合地物分类研究

多光谱遥感图像反映了不同地物的光谱信息,而SAR图像则反映了地表不同地物的后向散射强度信息。通过二者结合,可以实现优势信息互补,提高遥感影像分类的精度。多光谱影像与单波段单极化SAR图像融合分类有2种策略：一种是将SAR图像作为一个波段加入多光谱影像中进行分类;另一种先把多光谱影像与SAR图像融合,然后对融合后的图像进行分类。以成都市使用支持向量机分类方法对2种分类策略下的分类精度进行验证。结果表明,后者分类精度要高于前者,同时2种分类方法的分类精度都明显高于单独使用多光谱影像的分类精度。     

基于支持向量机的面向对象软件可维护性预测

以面向对象软件的度量准则作为预测因子,以维护期间所修改的代码函数作为可维护性,运用支持向量机回归原理,构造了面向对象软件可维护性预测模型.为了评价模型的性能,同时构造人工神经网络模型.在R软件环境下仿真,通过误差的可视分析和RMSE分析知,SVM模型预测面向对象软件可维护性具有较好的性能,效果明显优于ANN模型.     

基于支持向量机的科技图书市场预测

对灰色、神经网络和支持向量机的三个预测模型进行研究，以某某类科技图书1993-2000年的年发行量为例，对科技图书市场进行预测，经过比较，支持向量机的预测方法精度较高。本方法可推广应用于其他类图书市场的预测。     

基于Lasso和支持向量机的组合预测及其应用

针对Lasso方法与支持向量机两者的联系与各自的优势,给出了基于Lasso与支持向量机的串联型、并联型和嵌入型三种组合预测,并将它们运用到我国粮食价格预测中.实证结果表明,与单一预测方法的预测结果相比,基于Lasso方法与支持向量机的串联型组合预测和嵌入型组合预测具有更高的预测精度.     

基于支持向量机的苹果叶部病害识别方法研究

为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。     

基于支持向量机的花生荚果品种识别模型优化研究

为实现通过自动化手段进行花生品种真伪的鉴定,通过扫描仪采集了花生荚果侧面的图像,花生共20个品种,每个品种50个花生荚果,对采集的每幅图像提取形态、颜色、纹理方面的50个特征,首先通过主分量分析(PCA)对这些特征进行组合优化,然后采用RBF核函数搭建了支持向量机模型,最后通过网格搜索法、基因算法和粒子群方法优化支持向量机模型的惩罚参数c与gamma参数。优化结果表明,在主成分累积贡献率为95%时,PCA是10个主分量,3种参数优化方案中20个品种的5折交叉验证识别率分别为78.6%、77.6%、78.0%,识别效果相当,花生品种真伪的二分类识别率最高达到95%。优化后该模型对品种真伪的识别已经基本可以推广到实际生产中使用。     

基于免疫算法和支持向量机的人脸识别

提出了一种基于免疫支持向量机人脸识别方法。针对支持向量机学习是一种有导师的学习,引入了否定算法,把人脸特征否定的结果来供支持向量机学习。该算法大大降低了运算复杂度,试验结果表明,该算法与其它方法相比具有较高的识别率。