基于局部判别映射算法的玉米病害识别方法

如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。     

基于形态学图像处理的麦穗形态特征无损测量

小麦穗部形态参数是直接反应小麦生长状况的重要参数,是育种和考种专家关心的重要参数。为了实现小麦穗部形态特征的无损测量和基于这些特征的快速品种分类,该文提出了基于形态学的穗部性状：芒个数、平均芒长、穗长和穗型的自动提取方法。首先通过小麦图像的形态学运算将麦芒去除得到只有小麦主部的图像,通过寻找主轴方向角和旋转计算外接矩形长度的方法计算穗长,通过对麦芒图像的细化和角点检测方法计算芒长和芒个数,通过宽度系数比例判断穗型,然后利用提取的其中8个特征参数,设计了一个3层的BP神经网络,对4个小麦品种240张图片进行分类识别,识别准确率达到88%。该方法可为小麦快速品种分类提供参考。若能将小麦的其他外部参数同时作为品种识别的输入数据,将会大大提高品种识别的准确性。     

基于形态学图像处理的麦穗形态特征无损测量

小麦穗部形态参数是直接反应小麦生长状况的重要参数,是育种和考种专家关心的重要参数。为了实现小麦穗部形态特征的无损测量和基于这些特征的快速品种分类,该文提出了基于形态学的穗部性状：芒个数、平均芒长、穗长和穗型的自动提取方法。首先通过小麦图像的形态学运算将麦芒去除得到只有小麦主部的图像,通过寻找主轴方向角和旋转计算外接矩形长度的方法计算穗长,通过对麦芒图像的细化和角点检测方法计算芒长和芒个数,通过宽度系数比例判断穗型,然后利用提取的其中8个特征参数,设计了一个3层的BP神经网络,对4个小麦品种240张图片进行分类识别,识别准确率达到88%。该方法可为小麦快速品种分类提供参考。若能将小麦的其他外部参数同时作为品种识别的输入数据,将会大大提高品种识别的准确性。     

采空区危险性的支持向量机识别

针对采空区危险性影响因素与其危险性等级之间存在着复杂非线性关系的特点,笔者提出采用支持向量机最优分类理论来识别采空区的危险性等级。研究选取岩体结构、地质构造、岩石抗压强度、弹性模量、采空区形状、矿体倾角、高跨比、空区体积等8个参数作为主要影响因素,根据支持向量机理论,提出了1-V-1的采空区分类算法,并在Matlab中编程,建立了分类预测的SVM模型。以某矿山的实测采空区为例,利用该模型进行了识别,并与BP神经网络预测结果作对比。实例研究表明,采用该方法的分类结果比神经网络更准确,与采空区调查结果一致性好,用支持向量机理论进行采空区危险性评价是可行的。     

基于主成分变换的ASAR数据水稻种植面积提取

合成孔径雷达(SAR)数据是多云多雨地区水稻监测的重要数据源,多极化的SAR数据有利于识别精度的提高。通过对水稻生长期ENVISAT ASAR双极化数据后向散射系数分析得知,水稻VV极化的后向散射系数比VH极化大,两者总体上都随着水稻的生长而增大。在水稻生长后期,VV极化保持稳定,略有下降,VH极化持续增大。对6个通道的ASAR进行主成分变换,发现水稻种植区在第二主分量(PC2)上值较大,色调很亮,而在第五主分量(PC5)上值较低,色调很暗,分别反映了VV极化和VH极化在水稻生长茂盛期与生长初期的差异,两者差值(PC2-PC5)突出了水稻与其它地类的差异。利用主成分分量的差值(PC2-PC5),基于面向对象分类方法,建立了水稻种植区快速提取方法。利用该方法对福州地区2004年早稻面积进行提取,获得了满意的结果。     

线性支持向量分类机优化问题解的二阶充分条件

优化问题的二阶充分条件是研究灵敏度分析的基础,支持向量机是数据挖掘的新方法。针对线性支持向量分类机优化问题,研究了其解的二阶充分条件,给出了二阶充分条件成立的假设条件。研究表明,该假设条件很弱,用支持向量机算法求解实际问题时,通常假定这一条件成立,特别地,对线性可分支持向量分类机优化问题,其解一定满足这一条件,满足二阶充分条件成为当然成立的事实。     

基于单时相MODIS数据的土地覆盖三种分类方法对比研究

以甘肃省为试验区,基于单时相MODIS数据,主要利用其可见光多波段光谱信息,分别使用最大似然法、BP神经网络算法以及基于See 5.0数据挖掘的决策树分类方法对土地覆盖进行了自动分类研究,结果验证表明:决策树分类性能最优,总分类精度达到82.13%,神经网络算法次之,总分类精度为77.60%,最大似然法最差,总分类精度为73.93%;加入boosting技术的See 5.0数据挖掘决策树方法能够快速地进行决策树的建立且能很好地提高较难识别地物类型的分类精度。     

英语表量结构建构中的认知机制探析

选取英语中表量结构的基本形式“a(n) N1 of N2 ”为研究对象,从认知角度探析N1量词、N1名词和N1动词分别与无界性的语义焦点N2的组合机制。研究发现,英语表量结构的建构通常有四种方式,即N1量词与N2之间的转喻映射、N1量词的搭配原型（N2′）与N2之间的隐喻映射、N1名词与N2之间的隐喻映射、N1动词与N2之间的概念整合。其中转喻映射形成的表量结构可视为原型,其他三种类型是在原型表量结构的基础上通过隐喻或概念整合依次拓展而成。这说明英语表量结构的建构是在多种认知操作下进行的一种渐变的、有梯度的过程,不同类型的表量结构之间存在着认知理据性。     

Microarray data classifier with dimensionality reductionproximal support vector machines

DNA microarray technologies have changed the foreground of biological medicine, while the generated plentiful data is the key problem for the application of microarrays．Microarray data have the characteristics of large quantity, low sample size and high gene dimensionality. A microarray data classifier with dimensionality reduction proximal support vector machines (DRPSVM). A dimensionality reduction quadratic programming algorithm is used in DRPSVM, which shows faster training speed and smaller memory requirements than traditional PSVM does. Using CAMDA2000, colon 1 dataset and colon 2 dataset as the experimental datasets, the classification performance of DRPSVM is compared with those of BP, Nearest, RBF and SVM. DRSVM shows stable classification performance, existing one and only optimal solution and fast training which is suitable for DNA microarray data classification applications.     

词袋特征PCA多子空间自适应融合的黄瓜病害识别

针对颜色纹理特征结合单一分类器的传统识别方法对于多种黄瓜病害的识别精度较低的问题,该文提出基于词袋特征PCA(principal component analysis)多子空间自适应融合的黄瓜病害识别方法。该方法首先对多种病害建立类别相关词袋模型,提取病害图像的高维词袋特征,然后用主成分分析法将病害高维特征降维到多个不同维数子空间,并在各子空间上分别训练BP(back propagation)神经网络;通过设置自适应阈值对待分类图像在各子空间上的分类得分进行融合得到识别结果。采集黄瓜角斑病、棒孢霉叶斑病、白粉病、霜霉病和炭疽病等5种常见病害部位图像共246幅,每类病害子图像中任意选择20幅作为训练集(共100幅),其余146幅作为测试集进行病害识别试验。结果表明在2个主成分子空间融合分类的平均准确率为90.38%,比传统颜色特征、纹理特征和颜色纹理混合特征识别率分别高6.97、26.15和13.02个百分点,且算法对不同类别病害的分类准确率更稳定,为温室黄瓜病害诊断提供了一种有效方法。