基于改进的最小二乘支持向量机与荧光光谱法检测山梨酸钾

食品安全隐患越来越受到重视,而食品添加剂的过量使用更是个重要的因素。应用FS920荧光光谱仪,研究了防腐剂山梨酸钾的荧光特性,得到山梨酸钾荧光特征峰于λex/λem=375/490nm采用基于最小二乘支持向量机对橙汁溶液中防腐剂山梨酸钾进行检测,通过改进的遗传算法寻优最小二乘支持向量机参数。经过样本训练得到橙汁溶液山梨酸钾的回归模型,对未知浓度的溶液进行预测,将新算法与基本遗传算法寻优的模型和BP神经网络对比。结果表明,自适应遗传-最小二乘支持向量机建立的预测模型在平均相对误差3.54%和平均回收率96.46%都是最优的,是一种准确有效的橙汁中山梨酸钾浓度检测方案。     

种荧光光谱法和PSO-BP神经网络相结合的山梨酸钾浓度测定的新方法

研究了山梨酸钾在水溶液和橙汁中的荧光特性,结果表明在两种溶液中山梨酸钾的荧光特性虽然有很大的区别,但是它们的荧光特征峰都存在于λ_ex/λ_em=375/490 nm。从二维荧光光谱可以看出,橙汁中山梨酸钾的浓度和相对荧光强度关系错综复杂,两者不再满足线性关系。为了准确测定橙汁中山梨酸钾的浓度,提出了一种微粒群(PSO)算法优化的误差逆向传播(BP)神经网络的新方法。两组预测浓度的相对误差分别为1.83%和1.53%,预测结果表明该方法具有可行性。在浓度范围为0.1~2.0 g·L-1内,PSO-BP神经网络能够完成橙汁中梨酸钾浓度的准确测定。     

荧光光谱结合支持向量机测定食用色素纯度

采用一种由原点矩法改造所得的特征压缩算法对荧光光谱数据进行预处理,将处理后的数据与加权最小二乘支持向量机(WLS-SVM)算法结合,建立鲁棒回归模型,用以预测实际食用色素粉末的纯度。以亮蓝和胭脂红这2种色素为例论述该方法对实际食用色素粉末纯度的预测效果。首先,利用FLS920荧光光谱仪测量获得两种色素的标准样本和实际样本在最佳激发波长下的荧光发射光谱数据,利用由原点矩法改造所得的特征压缩算法对获取的荧光光谱数据进行压缩和变换,一方面缩短了算法的运算时间,另一方面也提高了模型的预测精度。将预处理后的荧光光谱数据输入加权最小二乘支持向量机中建立浓度预测模型,该模型对亮蓝、胭脂红实际样本溶液给出的预测光谱与它们的实测光谱吻合程度好,半高峰宽区间内的平均决定系数分别为0.662和0.931。所有亮蓝、胭脂红溶液的预测浓度和标称浓度之间具有良好的线性关系,相关系数分别为0.997和0.992。由此通过多项式拟合得到的亮蓝、胭脂红粉末的预测纯度分别为61.0%和72.3%。     

基于粒子群优化支持向量机的太阳电池温度预测

建立通用而精确的太阳电池热模型对光伏系统的建模、输出功率与转换效率的损失分析至关重要. 基于复杂的太阳电池温度机理, 分别研究了太阳电池温度的稳态热模型(steady state thermal model, SSTM)和支持向量机(support vector machines, SVM) 方法建立的精确预测热模型. 首先, 基于空气温度、太阳辐射强度、风速3个最主要因素与太阳电池温度的近似线性关系, 在已有SSTM的基础上, 建立并校正了太阳电池的SSTM并采用差分进化算法提取模型的未知参数. 其次, 为提高SVM的模型预测精度, 采用粒子群优化(particle swarm optimization, PSO) 算法对SVM的核参数和惩罚因子进行动态寻优, 在确定输入/输出样本集并划分训练集和测试集的基础上, 建立了基于粒子群优化支持向量机(PSO-SVM)的太阳电池温度精确预测热模型. 最后, 搭建实验平台, 在实验操作过程中减弱空气湿度、太阳入射角和热迟滞效应等因素对太阳电池温度的耦合. 通过实验对比表明, 建立的预测热模型性能可靠、全面、简洁, 其参数寻优算法优于遗传算法和交叉校验法, 模型预测精度优于反向传播神经网络(back propagation neural network) 和SSTM.     

三维荧光光谱结合IGOA-SVM分类鉴别油类污染物

溢油污染是一种典型的环境污染形式,通过多重渠道危害着生物多样性和人类自身安全。因此,针对油类污染物自身组成成分及其特性,采用多种方法相结合的方式,对其进行实时、精确、高效的检测对生态环境监测具有重要意义。三维荧光光谱分析法以其检测精度高、实时性好、操作简便、干扰性小等优势在荧光类物质检测领域应用十分广泛。三维荧光光谱结合支持向量机等算法在物质分类鉴别和浓度预测方面取得较好的成效,但仍存在收敛速度慢、易陷入局部最优等缺陷。将三维荧光光谱与改进蚱蜢优化支持向量机算法(IGOA-SVM)相结合,提出一种对油类污染物分类鉴别的新方法。首先,以0.1 mol·L^-1十二烷基硫酸钠溶液作为溶剂,将0#柴油、 95#汽油和煤油以不同浓度配比配制成0#柴油和95#汽油、 0#柴油和煤油两组分混合样本20个和18个,三组分混合样本20个,各取一半为训练集和测试集。然后,采用F-7000荧光光谱仪采集混合溶液的荧光数据,分析三种油的标准溶液及配制的混合溶液,发现荧光光谱均在一定范围内存在不同程度的重叠现象,仅利用光谱检测无法准确鉴别。最后,结合混沌初始化、精英优化算法和差分进化算法对...     

PSO嵌入SVM算法的活立木材积预报研究

为了建立立木材积模型,每年有数十万棵优质活立木被伐倒,这是一种破坏性较大的实验。应用光电经纬仪自动量测与手工量测活立木地径、胸径相结合, 通过活立木材积计算软件批量计算,获得中林系107杨(Zhonglin aspens No.107)的胸径、树高、树干材积值400组数据集。采用粒子群算法嵌入支持向量机(PSO-SVM)建立了非线性智能活立木材积预报模型,并以400组实验数据集作为研究资料,随机抽选300组数据的胸径和树高作为输入值,材积为输出值,用MATLAB软件运行PSO-SVM工具箱,训练得到PSO-SVM模型,用100组数据进行检验预测。研究表明,PSO-SVM算法模型预测值与实测值间复相关系数r为0.91,r值比Spurr二元材积模型计算值高出2%,平均绝对误差率提高0.44%。引用经典Spurr二元材积模型计算值和PSO-SVM模型预报值进行对比,认为将PSO算法引入到SVM参数优化中, 使活立木材积预报具有自学习能力和自适应能力,PSO-SVM模型对样本数量要求较小、预报准确率高、学习速度快,具有很好的推广价值与应用前景。     

基于改进ABC的LSSVM氧化还原电位预测研究

针对氧化还原电位对于生物氧化提金预处理过程的控制和优化具有重要作用,提出了一种基于改进的ABC算法优化最小二乘支持向量机的预测方法。该算法是在标准人工蜂群算法的基础上,通过引入欧氏距离,使得在一定邻域内观察蜂采用不同于雇佣蜂的搜索策略。采用改进的ABC算法优化最小二乘支持向量机的参数,取得最优解并赋予最小二乘支持向量机进行预测。以新疆某金矿的生产数据进行仿真研究,结果表明：基于改进的ABC算法优化的最小二乘支持向量机具有较高的预测精度,该方法能使模型取得较好的预测效果。     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10-9~10-7%之间,其拟合性能明显优于常规方法。     

基于表面增强拉曼光谱技术和GWO-SVR算法快速实现水中总氮总磷含量检测

提出了一种将表面增强拉曼光谱技术（SERS）和基于灰狼优化（GWO）算法的支持向量回归（SVR）相结合快速定量检测水中总氮(TN)、总磷(TP)含量的定量分析方法。传统的TN、TP检测方法不但过程繁杂,实验环境要求高,而且耗时较长,不能实现快速检测。而SERS技术操作简单,耗时短,将其与GWO-SVR算法相结合可以实现快速精确检测。以实验室配制的银溶胶作为拉曼光谱增强基底,不同浓度梯度TN、TP溶液为研究对象,分别配制TN、TP样本溶液26组和23组,其中TN溶液选取8组作为测试集,TP溶液选取7组作为测试集,剩余样本溶液作为训练集。根据待测溶液与银溶胶不同体积配比确定最佳实验方案,将TN、TP分别与银溶胶进行1∶1,1∶2,1∶3,2∶1和3∶1的体积比混合,结果表明当待测溶液与银溶胶以2∶1比例混合时增强效果最佳。采集光谱信息并对特征峰进行归属,然后采用暗电流扣除、背景扣除（基线校正）和平滑处理对原始光谱数据进行预处理。经光谱分析结果可知,由于不同浓度溶液官能团浓度差异,光谱特征峰强度随溶液浓度变化而变化。以训练集样本溶液光谱特征峰强度和溶液浓度值作为回归预测模型的输入值和输出值,建立GWO-SVR定量分析模型。通过测试集样本溶液的相关系数(r)和均方误差(MSE)对模型的预测能力进行分析,并将GWO-SVR模型和其他两种模型进行对比。结果表明,GWO-SVR模型对TN溶液预测的相关系数为0.999 5,均方误差为0.005 8,高于人工蜂群算法优化支持向量回归（ABC-SVR）和粒子群算法优化神经网络（PSO-BP）的0.993 8,0.052 7和0.998 3,0.022 7。对TP溶液预测的相关系数为0.998 5,均方误差为0.037 6,也均高于另外两种模型。而且与ABC-SVR和PSO-BP模型相比,GWO-SVR定量分析输入参数更少,收敛速度更快,更容易找到全局最优解。因此,该方法可以实现对水中TN、TP含量的快速准确检测,为水质检测提供了新方法。     

动能弹对混凝土靶侵彻深度的PSO-SVM预测

目前混凝土毁伤效应中侵彻深度的预测对防护工程设计与建设有着重要的指导意义,传统的预测方法存在样本需求量大、预测误差大等问题。根据支持向量机原理,采用粒子群算法优化模型参数,提出了预测动能弹侵彻深度的粒子群-支持向量机方法,并编写了相应的计算程序,通过援引实测数据验证预测的准确性。结果表明:该方法对于小样本、非线性预测有较大优势,相比于传统的灰色理论预测,其预测相对误差较小(最大相对误差为3.18%);随着训练样本量增多,最大相对误差逐渐减小,且变化速率逐渐减缓,但计算量增大。因此,粒子群-支持向量机方法用于动能弹侵彻混凝土靶体的深度预测是合理可行的。     

基于LLE与Gold-SA-SVM的海藻三维荧光光谱门类识别

针对海藻三维荧光光谱线性降维方法不理想、模型识别准确率低的问题,提出通过局部线性嵌入(LLE)算法进行降维、通过黄金正弦算法(Gold-SA)对支持向量机(SVM)进行优化来构建分类模型的方法.将LLE算法降维后的海藻三维荧光光谱数据作为SVM的输入,并与其他两种降维方法进行对比.结果 显示:LLE算法的降维效果最好,...     

基于改进型人工鱼群算法的支持向量机参数优化

支持向量机在高维度、小样本情况下具有独特优势,但同时支持向量机的参数优化极大制约了其分类效果,目前参数优化缺乏系统的理论指导。针对传统DAG-SVM训练分类器较多,训练耗时长,分类效果受到结构排序的影响,提出了一种基于“1 vs R”策略的改进型算法;针对 SVM传统参数优化方式耗时大,优化精度不高,提出了改进型人工鱼群算法;最后结合1 vs R-DAG支持向量机算法与改进型人工鱼群算法,得到一种新的改进型支持向量机算法。仿真对比实验证实,对支持向量机的参数优化是有效可行的。     

基于三维荧光光谱和PSO-SVM对胭脂红含量的测定

胭脂红是一种应用广泛的食品色素，在各种食品、饮料的添加剂里都有它的身影，过量食用人工合成色素会严重危害健康。食物中色素一般都是多种联用，各种色素之间会相互产生干扰，这加大了对食品中色素检测的难度，模拟食品中多种色素共存的环境，采用荧光光谱技术，结合PSO-SVM算法，建立一种测定混合溶液中胭脂红含量的方法。从试剂公司购买胭脂红和苋菜红固体粉末，选择胭脂红为待检测色素，苋菜红为干扰色素，配成不同浓度的胭脂红单色溶液以及加入苋菜红后的混合溶液样本，其中胭脂红的浓度在0.1~30 μg·mL-1之间，干扰色素苋菜红的浓度在0.1~10 μg·mL-1之间随意添加。运用Edinburgh Instruments 公司生产的FS920稳态荧光光谱仪, 测得胭脂红单色溶液与加入苋菜红后混合溶液的荧光光谱图，分析得到胭脂红的最佳激发波长为λ_ex＝326 nm，最佳发射波长为λ_em＝430 nm。各选取6组不同浓度的单色样本以及混合色素样本，其中，胭脂红的物质浓度同为3，4，5，6，7和8 μg·mL-1，苋菜红的物质浓度都定在2 μg·mL-1。观察6组样本在激发波长λ_ex=326 nm时的发射光谱和荧光强度的关系。单色样本中，胭脂红浓度与荧光强度线性关系良好；而在混合溶液中，随着胭脂红浓度的增加，荧光强度呈现出先降后增再降的过程，光谱线型、强度与各组分浓度间存在复杂的非线性关系，得以证明混合溶液的荧光光谱并不是由各组分光谱简单的叠加，而是在吸收光谱的过程中，胭脂红溶液与苋菜红溶液存在竞争和相互影响。配取25组胭脂红、苋菜红混合溶液，从中选择7个作为预测样本，其余18组作为训练样本。7 个预测样本中胭脂红的浓度分别为 1.0，2.0，4.0，6.0，9.0，12和15 μg·mL-1，干扰物质苋菜红的物质浓度在0.1~10 μg·mL-1之间。选择各组样本在最佳激发波长λ_ex＝326 nm 下对应的荧光强度，作为检测模型的输入，以胭脂红的预测浓度作为输出。对PSO参数初始化设置后，训练输出SVM的最佳参数c和g，将所得的最佳参数输入PSO-SVM模型, 得到7组预测样本的浓度预测结果分别为：1.146 9，1.860 6，3.854 4，6.146 9，9.133 8，11.857 6和14.859 8 μg·mL-1。分析PSO-SVM的预测结果，得到胭脂红平均回收率为100.84%，预测均方根误差(RMSEP)为1.03×10-4，模型输出与真实值之间的相关系数是0.999。在同等条件下，采用误差逆向传播算法(BP)预测得到的7组样本浓度分别为：1.140 1，2.139 8，3.188 2，6.436 2，8.882 7，11.860 1和12.664 3 μg·mL-1，其平均回收率为98.56%，均方根误差为4.65×10-3，输出值与真实值之间的相关系数为0.972。与误差逆向传播算法(BP)的预测结果相比较，PSO-SVM 相关系数高出2.7%，平均回收率高出0.6%，均方根误差降低了将近一个数量级。分析结果表明，通过荧光光谱技术与PSO-SVM相结合的方法，能够有效的避开干扰色素的影响，准确的测定混合溶液中胭脂红的含量，并且效果相比较于BP更加理想。     

基于主成分分析和支持向量机的木材近红外光谱树种识别研究

为了探究一种新型高效的树种鉴别方法,以桉木、杉木、落叶松、马尾松和樟子松近红外光谱数据为研究对象,分别建立了基于主成分分析和支持向量机的木材树种定性识别模型。在主成分识别模型中,样本光谱数据经过预处理后绘制了其二维和三维主成分得分图,可以看出：主成分分析得分图能有效区分五种木材树种,且三维得分图比二维得分图更能直观、清晰展示树种之间的差异,表明主成分分析在可视化层面上可对小样本树种进行有效判别。在支持向量机识别模型中,分别建立了以遗传算法和粒子群算法为代表的智能算法优化支持向量机树种识别模型,结果显示,遗传算法-支持向量机模型的交叉验证最佳判别准确率为95.71%,测试集预测准确率为94.29%,算法用时134.08 s;粒子群算法-支持向量机模型的交叉验证最佳判别准确率为94.29%,测试集预测准确率为100.00%,算法用时19.98 s,表明基于智能算法支持向量机树种识别模型能够实现对木材树种的有效鉴别。该研究对近红外光谱分析技术在木材科学领域的应用进行了有益探索,为木材树种的快速识别提供了新方法。     

可见-近红外多光谱和多种算法模型融合的血迹年龄预测

精确的血迹的年龄估计在刑侦法医鉴定中有着重要的意义。构建了以8个LED为照明光源、以黑白CCD相机为成像单元的可见-近红外多光谱成像系统,利用以k最近邻算法、支持向量机算法和随机森林算法为基模型的融合模型分析预测血迹年龄,研究了利用可见-近红外反射多光谱精确估计人体血液年龄的可行性,并与前人利用高光谱进行血迹年龄预测的研究结果进行了对照,还检验了血液特异性对模型的影响。实验记录了11个人体血液样本在1~20 d的在400~940 nm之间的8个波长通道的图像,使用标准正态变换校正(SNV)对光谱进行预处理,以消除基线平移和散射作用带来的样本光谱差异。随机选择经过预处理后的7个样本用作训练集以建立模型,剩余的4个样本用作测试集以验证模型,建立了基于k最近邻算法、支持向量机算法和随机森林算法的融合模型,并与k最近邻算法模型,支持向量机算法模型,随机森林算法模型进行比较,结果显示融合模型的实验结果更好。基于该融合模型得到的实验结果为:0~2 d之间预测样本的正确分类率(CCR)为80%,平均误差为0.053 d, 2~20 d之间预测样本的CCR为69%,平均误差为0.442 d,与利用高光谱获得的结果相当甚至更好。为测试该方法的适用性,检验了血液特异性对本模型的影响,实验样本取自8个不同捐献者的20个血迹,将其中4个捐献者的10个样本加入原有模型,另外4个捐献者的10个样本作为测试集以检验血液特异性对模型影响。实验结果为:在0~2 d之间的CCR为75.6%,平均误差为0.063 d, 2~20 d之间预测样本的CCR为65.6%,平均误差为0.467 d。CCR无显著降低,表明该模型对不同来源的血迹样本,仍然有着较好的适应性。与采用高光谱的研究结果相比,多光谱结合模型融合算法同样可以获得较好的血迹年龄估计结果,并具有结构简单,成本低廉,稳定性好的优点,有望成为一种高精度的血迹年龄预测手段,在法医学领域中有重要应用前景。     

基于荧光光谱技术和GA-BP神经网络的对羟基苯甲酸甲酯钠含量的测定

对羟基苯甲酸甲酯钠是一种使用广泛的防腐剂,食用过量将会危害身体健康,因此各国对对羟基苯甲酸甲酯钠的用量有严格规定。采用FS920荧光光谱仪分析了对羟基苯甲酸甲酯钠在水和橙汁溶液中的荧光光谱特性,发现水溶液的荧光特征峰位于λ_ex/λ_em=380/510 nm,橙汁溶液两个荧光特征峰,分别位于λ_ex/λ_em=440/530 nm和470/530 nm,最佳激发波长为440 nm。从实验结果可以看出两者的特征峰发生了明显的变化。经分析得出,对羟基苯甲酸甲酯钠橙汁溶液与对羟基苯甲酸甲酯钠水溶液相比,荧光特征峰发生变化是由橙汁的荧光特性干扰引起的。为了准确测定鲜橙汁中对羟基苯甲酸甲酯钠含量,根据对羟基苯甲酸甲酯钠橙汁溶液在激发波长λ_ex=440 nm时的相对荧光强度和对羟基苯甲酸甲酯钠含量的关系,基于GA-BP神经网络构建了橙汁中对羟基苯甲酸甲酯钠含量检测数学模型,当网络训练过程中误差精度达到10-3时,网络输出与期望的相关系数为0.996,预测样本的平均回收率为99.52%,平均相对标准偏差为0.86%,预测结果较为理想。结果证明,当浓度范围为0.02~1.0 g·L-1时,荧光光谱技术和GA-BP神经网络相结合的方法能够准确地测定鲜橙汁中对羟基苯甲酸甲酯钠的含量,此方法具有新颖简便性,同时有望应用于一般饮品中对羟基苯甲酸酯类钠盐含量的快速测定。     

基于GA-SVM的近红外光谱法预测有机废弃物生化甲烷潜力

厌氧发酵技术是最具发展前景的有机废弃物资源化利用技术之一,其研发与利用在国内外都已广泛开展。在有机废弃物厌氧发酵过程中,通常采用生化甲烷潜力(BMP)表示物料的厌氧降解能力。传统BMP的测定方法存在成本高、耗时长等缺点,因此提出了利用近红外光谱分析技术快速预测有机废弃物的生化甲烷潜力(BMP),采用遗传算法(GA)结合支持向量机(SVM)建立函数模型,对有机废弃物生化产甲烷潜力进行预测。实验收集了64份水生植物和能源藻类生物质,样品BMP原始数据通过自行搭建的产甲烷潜力实验平台获得,同时,利用傅里叶近红外光谱仪获取样品的近红外光谱数据。首先,对光谱数据进行预处理后在全谱区范围内分别建立主成分回归(PCR)、偏最小二乘法(PLS)和递归指数偏最小二乘法(RPLS)模型,将原始BMP数据与光谱数据建立关联,从而实现水生植物和能源藻类BMP的快速预测。结果表明,在全谱区上,递归指数偏最小二乘能够解决传统偏最小二乘法的抗粗差效果差,易受不良数据影响等问题,该方法可以提高模型的稳定性,但响应速度慢、计算效率低,在此基础上提出遗传算法(GA)结合支持向量机(SVM)的机器学习方法,该方法具有良好的全局搜索能力,适用于小样本情况,避开了从归纳到演绎的传统过程,剔除了大量冗余样本信息,算法简单且具有良好的鲁棒性。结合近红外光谱频带分配可知,利用遗传算法(GA)筛选出1 404个波长点,大致可划分为3个代表性波段,因此在所选取的波段利用支持向量机建立回归模型。依据模型评价结果可知,采用遗传算法和支持向量机所建立的预测模型不仅简化了数据规模,同时还能提高模型预测精度,其预测均方根误差(RMSEP)为10.32 mL,相关决定系数(R~2)为0.92, RPD为6.56,与常规的PLS和RPLS算法建模相比, RMSEP分别减少了19.56和14.81 mL,R~2分别提高了0.06和0.04, RPD分别提高了4.31和3.85。结果表明,采用GA-SVM算法建模预测有机废弃物生化甲烷潜力的模型准确度较高,可以代替传统的BMP测定方法,满足快速检测的需要。     

基于粒子群支持向量机的海杂波序列回归预测

在雷达数据处理中,为更好地抑制海杂波,预测海杂波是必要的;海杂波具有混沌特性,而支持向量机算法能够有效地对混沌序列进行回归预测,文章提出了一种改进的支持向量机海杂波序列回归预测算法;文中给出了算法的框架结构,采用了互信息法和改进的伪邻近点法提取海杂波混沌特性的延迟时间和嵌入维数,利用相空间重构求取SVM训练样本,应用改进的PSO算法优化SVM的核函数参数以及惩罚系数,并仿真了预测模型;仿真实验结果表明:海杂波回归预测能达到满意的精度,而PSO-SVM方法比SVM方法的预测精度更高。     

SVM参数优化方法分析与决策

针对支持向量机应用过程中的参数选择问题,从UCI数据库选择样本集,分别采用传统的网格法、智能优化算法中的粒子群法及遗传算法实现核函数参数寻优过程,将所得最佳参数应用到样本测试中。在深入分析优化过程中各参数关系、参数对支持向量机性能的影响以及传统与智能优化算法的优劣后,得出了核函数优化策略。即先使用智能优化算法初步确定最优解范围,再结合网格法进行高精度寻优。实验数据验证了参数优化策略的有效性,为扩大支持向量机泛化率、提高应用性做了铺垫。     

叶绿素荧光PCA-SVM分析的黄瓜病虫害诊断研究

为了对植物病虫害进行快速准确检测,采用荧光光谱技术并结合支持向量机分析方法建立了黄瓜病虫害诊断模型。通过Savitzky-Golay平滑法(SG),SG平滑法+快速傅里叶变换(FFT)和SG平滑法+一阶导数变换(FDT)三种方法对原始光谱进行降噪处理,并利用主成分分析法(PCA)对降噪后的光谱进行降维,根据累积贡献率选取7个主成分进行分析。将样本数据随机分为训练集和预测集,利用四种核函数条件下的支持向量机算法建立了预测模型,并进行预测。以训练集交叉验证的分类准确率最大值为指标,对四种核函数模型进行参数优化,并对比其分类性能,结果表明,经SG+FDT+PCA预处理后,具有多项式核函数的支持向量机对黄瓜病虫害的鉴别准确率达到98.3%,具有很好的分类和鉴别效果。