基于小波降噪与支持向量机的恒星光谱识别研究

提出了一种对恒星光谱识别的新方法。 根据恒星光谱数据的特性,我们以支持向量机为核心技术构建光谱识别器。 由于恒星光谱数据通常含有较高的噪声,如果直接进行分类,识别率往往较低。 因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理,提取光谱的特征,然后馈送到支持向量机完成对光谱数据的最终识别。 利用实际光谱数据(Jacoby, 1984)对所提出的技术进行检测,实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。 另外,作者还比较了支持向量机与传统甄别分析的分类性能,对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5种甄别分析方法的识别率,而且有较强的泛化能力。     

基于经验模态分解和支持向量机的车型声频识别

车型自动识别是智能交通系统的重要组成部分。针对现有车型识别存在的问题,提出利用经验模态分解和支持向量机的车型声频识别方法。将车辆行驶的声音信号进行分解,以分解不同模态的能量作为特征向量,并以此作为训练样本对支持向量机构成的车型识别器进行训练,通过对小汽车和卡车的声音信号处理结果表明:利用车辆声音信号能够正确识别不同的车型,识别准确率达95%,是车型识别的有效方法。     

基于支持向量机的舰船图像识别

支持向量机(SVM)是一种基于超平面分类的新的学习方法,具有很强的泛化能力。研究了支持向量机的学习机理,以及实现支持向量机的序贯最小优化算法(SMO),并用来对舰船图像进行识别。首先将待识别目标进行二维小波分解,获取不同尺度下的小波系数,然后对其进行主元分析,得到的主元分量作为支持向量机的特征量输入。实验结果表明,该方法具有良好的分类性能。     

塑料激光诱导击穿光谱技术快速分类应用研究

在大气环境中,采用激光诱导击穿光谱技术与支持向量机算法相结合,对来自不同厂家不同颜色的20种工业塑料进行分类研究。首先对分类结果有影响的实验参数进行优化,在最佳的实验参数条件下进行光谱采集,采用6条非金属元素特征谱线,有效缩短了训练支持向量机分类模型所需时间,从而提高了塑料的分类效率。实验结果表明,利用碳、氢、氧、氮等主量非金属元素对这些工业塑料样品进行分类,测试集1 000个光谱数据中有996个识别正确,算术平均识别精度达到99.6%。在选取较少的主量非金属特征谱线的情况下,结合采用支持向量机算法,可以实现激光诱导击穿光谱技术对更多类型的塑料制品快速、高精度分类,为激光诱导击穿光谱技术在实现塑料分类方面提供了数据参考。     

基于LIBS技术对岩石识别的数据降噪方法

利用激光诱导击穿光谱技术进行原岩分类与识别存在可重复性差,数据残差值高等问题,导致其分类识别准确率较低.针对此问题,提出了一种基于格拉布斯准则法的异常值判别方法,该方法可以有效替换残差值较大的数据,从而降低分类识别算法过拟合的概率.使用线性判别分析法、随机森林分类法、支持向量机三种分类识别算法对岩石的LIBS光谱进行识别.在数据降噪前,三种方法的识别准确率为:线性判别分析法79.6%、随机森林分类法75.2%、支持向量机94.5%,而数据降噪后的识别准确率为:线性判别分析法92%、随机森林分类法97%、支持向量机99.4%.     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉,提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型,采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果,对光谱数据进行光调制和归一化等预处理并截取有效波段,根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典),通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差,将最小投影误差对应的类作为测试样本的所属类别,并应用留一法进行交叉检验,比较了稀疏表示法与支持向量机的识别结果。实验结果表明,利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上,获得了较好的分类效果,优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取,适用于高维、小样本量数据的处理,计算成本低,将其用于注水肉的光谱数据识别具有一定的创新性,并取得了较满意的结果,为原料肉和注水肉的无损识别提供了一种有效方法。     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉, 提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型, 采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果, 对光谱数据进行光调制和归一化等预处理并截取有效波段, 根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典), 通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差, 将最小投影误差对应的类作为测试样本的所属类别, 并应用留一法进行交叉检验, 比较了稀疏表示法与支持向量机的识别结果。实验结果表明, 利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上, 获得了较好的分类效果, 优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取, 适用于高维、小样本量数据的处理, 计算成本低, 将其用于注水肉的光谱数据识别具有一定的创新性, 并取得了较满意的结果, 为原料肉和注水肉的无损识别提供了一种有效方法。     

混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值。     

基于支持向量机的中药太赫兹光谱鉴别

文章将支持向量机用于中药材太赫兹光谱识别.利用太赫兹光谱系统测得三组相似中药炙甘草和生甘草、南柴胡和北柴胡、山豆根和北豆根的太赫兹光谱,傅罩叶变换后得到它们的吸收系数作为分类鉴别的特征数据.用线内积函数、多项式内积函数和径向基内积函数分别构建三种小同的支持向量机,并建立误差反传神经网络(BP神经网络),分别用支持向量机和BP神经网络对中药的特征数据进行鉴别.识别结果比较表明,支持向量机在小样本情况下对中药两分类识别的效果明显超过BP神经网络.     

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。     

特征级联在车辆检测中的应用与研究

对现有的采用机器学习算法检测车辆进行研究,分析其存在的不足;表现在特征或者算法单一,对光照等条件变化鲁棒性不够;针对这些问题,提出一种融合LBP特征与HOG特征,并结合Adaboost与SVM的车辆检测算法;借鉴级联的思想,首先采用AdaBoost对训练样本提取LBP特征进行训练,得到的分类器用于初步筛选并将其分类结果作为下一层分类器的输入;然后采用SVM算法对训练样本提取HOG特征进行训练,得到的分类器用于二次筛选上一层分类器的分类结果;实验结果证明Adaboost-SVM相结合的办法检测结果精度高,准确率和召回率均达到95%以上,FPPW与FPPI的值均在5%左右;同时由于算法采用的特征对光照条件具有较强的鲁棒性,因此光照条件的变化对算法的识别结果影响较低;实时性方面,每帧图像的处理时间为75 ms,满足实时性要求。     

基于改进HOG特征提取的车型识别算法

本文针对高速环境下的车型识别问题,提出基于方向可控滤波器的改进HOG算法。将方向可控滤波器算法与HOG算法相结合,以实现对车辆图像特征提取。采用主成分分析算法(PCA)约减特征向量维数以减少计算复杂度,利用支持向量机算法对提取特征进行样本训练,实现对车辆外型特征的识别。仿真实验结果表明:采用该算法原始车辆车型的识别正确率均值达到92.36%;另外,本文方法的识别速度比传统的HOG特征算法提高了3.45%,识别实时性得到提升。本文算法比传统HOG算法更优,能有效提高车型识别的效率。     

ISG-FHEV等效燃油消耗最小控制策略

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法。首先在 颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别。算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法。仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

Detecting Unfavorable Driving States in Electroencephalography Based on a PCA Sample Entropy Feature and Multiple Classification Algorithms

Unfavorable driving states can cause a large number of vehicle crashes and are significant factors in leading to traffic accidents. Hence, the aim of this research is to design a robust system to detect unfavorable driving states based on sample entropy feature analysis and multiple classification algorithms. Multi-channel Electroencephalography (EEG) signals are recorded from 16 participants while performing two types of driving tasks. For the purpose of selecting optimal feature sets for classification, principal component analysis (PCA) is adopted for reducing dimensionality of feature sets. Multiple classification algorithms, namely, K nearest neighbor (KNN), decision tree (DT), support vector machine (SVM) and logistic regression (LR) are employed to improve the accuracy of unfavorable driving state detection. We use 10-fold cross-validation to assess the performance of the proposed systems. It is found that the proposed detection system, based on PCA features and the cubic SVM classification algorithm, shows robustness as it obtains the highest accuracy of 97.81%, sensitivity of 96.93%, specificity of 98.73% and precision of 98.75%. Experimental results show that the system we designed can effectively monitor unfavorable driving states.     

支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外（372.53～1 038.57 nm）波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域（ROI）的平均光谱,分别采用连续投影算法（SPA）和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机（SVM）分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵（GLCM）的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。     

Laser-induced breakdown spectroscopy applied to the characterization of rock by support vector machine combined with principal component analysis

Laser-induced breakdown spectroscopy(LIBS) is a versatile tool for both qualitative and quantitative analysis.In this paper,LIBS combined with principal component analysis(PCA) and support vector machine(SVM) is applied to rock analysis.Fourteen emission lines including Fe,Mg,Ca,Al,Si,and Ti are selected as analysis lines.A good accuracy(91.38% for the real rock) is achieved by using SVM to analyze the spectroscopic peak area data which are processed by PCA.It can not only reduce the noise and dimensionality which contributes to improving the efficiency of the program,but also solve the problem of linear inseparability by combining PCA and SVM.By this method,the ability of LIBS to classify rock is validated.     

Combined multi-kernel support vector machine and wavelet analysis for hyperspectral remote sensing image classification

Many remote sensing image classifiers are limited in their ability to combine spectral features with spatial features.Multi-kernel classifiers,however,are capable of integrating spectral features with spatial or structural features using multiple kernels and summing them for final outputs.Using a support vector machine(SVM) as classifier,different multi-kernel classifiers are constructed and tested using 64-band Operational Modular Imaging Spectrometer II hyperspectral image of Changping Area,Beijing City.Results show that by integrating spectral and wavelet texture information,multi-kernel SVM classifiers can obtain more accurate classification results than sole-kernel SVM classifiers and cross-information SVM kernel classifiers.Moreover,when the multi-kernel SVM classifier is used,the combination of the first four principal components from principal component analysis and wavelet texture provides the highest accuracy(97.06%).Multi-kernel SVM is therefore an effective approach to improve the accuracy of hyperspectral image classification and to expand possibilities for remote sensing image interpretation and application.     

基于多算法优化SVM的粗糙面参数反演

支持向量机（SVM）是粗糙面参数反演中常用的一种反演算法,SVM反演中的惩罚参数C和核函数参数G对反演结果精度的影响较大,若参数取值不当,会使模型产生"过学习"或者"欠学习"的现象,从而降低预测精度.给出几种SVM参数C和参数G的优化算法,如K折交叉验证（K-CV）、遗传算法（GA）和粒子群算法（PSO）,并在此基础上提出一种基于K-CV和GA改进的PSO算法（GA-CV-PSO）.利用矩量法（MoM）获得的粗糙面后向散射系数构造训练集和测试集,通过不同参数反演的仿真结果对比不同优化算法的反演精度和计算时间,表明GA-CV-PSO算法克服了单一优化算法的缺陷,具有更精确的反演精度和更强的泛化能力.     

谱聚类结合LIF在矿井突水水源类型识别中的应用

突水事故威胁井下人员的生命安全和造成财产损失,因此准确检测出突水水源类型具有重大意义。使用水化学分析法检测水源类型耗时长、过程复杂。激光诱导荧光（LIF）技术具有快速、灵敏、干扰小等优点,将LIF技术结合智能算法建立突水水源识别模型可以准确检测出突水水源的类型。目前这类模型一般需要对荧光光谱进行去噪、降维、波段选取等处理,过程繁琐,并且模型都是在均匀分组的突水水源荧光光谱上建立的,并没有讨论不均匀分组对模型的影响,也没有针对不均匀分组建立模型。在实际工程应用中,采集的样本数量是有很大概率呈现不均匀的,因此本文提出一种飞蛾扑火（MFO）算法结合谱聚类（SC）的方法实现对不均匀分组的突水水源荧光光谱的识别。实验中,首先从淮南煤矿获取5种实验水样,使用激光诱导荧光实验设备采集所有水样的荧光光谱,五种水样的组数分别为75,80,80,30和135。其次,建立MFO-SC水样识别模型,通过对比后标签映射方式选择K-Means、相似矩阵的计算方式选择高斯核函数和划分准则选择ncut,用MFO对高斯核函数的参数寻优得到σ的值为1.745并且固定模型的初始聚类中心。随后,分别建立K-Means,SVM和MFO-SVM3种水样识别模型。对比MFO-SC模型与K-Means模型,得到MFO-SC模型的最优准确率为100%且平均准确率也为100%,K-Means模型的最优准确率为99.75%,而平均准确率为79.57%;再分别计算SVM模型和MFO-SVM模型的训练集准确率和测试集准确率,SVM模型训练集准确率为80%,测试集准确率为80%;MFO-SVM模型训练集准确率为100%,测试集准确率为95.625%。最后,使用4种模型对其他三个不均匀分组的突水水源荧光光谱进行识别,研究结果表明将MFO-SC算法用于突水水源类型的识别上是有效的,可以准确地检测出突水水源的类型,对煤矿生产安全有重要意义。