基于光谱技术和支持向量机的生鲜猪肉水分含量快速无损检测

为实现生鲜肉水分含量的快速无损检测,在波长350～1 700 nm范围内采集生鲜猪肉98个样本的可见近红外反射光谱。经中值平滑滤波、多元散射校正和一阶微分复合预处理方法对原始光谱进行降噪处理。将样本数据随机分为训练集和测试集,以训练集交叉验证网格搜索法确定最佳惩罚参数,利用径向基核函数的支持向量机算法建立了支持向量机预测模型,并与偏最小二乘回归建模法进行比较。用径向基核函数的支持向量机算法所建模型对生鲜肉水分含量进行预测的结果为：训练集的预测相关系数R_c为0.96、标准差SEC为0.32,测试集的预测相关系数R_v为0.87、标准差SEV为0.67。实验结果证实用支持向量机所建模型适合于生鲜猪肉水分含量的无损快速检测。     

鱼粉产地溯源的近红外光谱判别方法研究

鱼粉是以一种或多种鱼类为组成原料的高蛋白饲料,其在养殖产业中占据着非常重要的地位。鱼粉产地众多,品质参差不齐,有不法商家以次充好,为维护市场秩序,应当建立一种鱼粉的产地溯源方法,以便更加精准地判别和分析鱼粉的品质。采用近红外光谱技术并结合化学计量学方法实现对不同产地鱼粉进行快速准确的产地溯源。采用径向基为核函数的支持向量机进行模式识别,并采用灰狼算法对以径向基为核函数的支持向量机进行关键参数的选择,模拟狼群狩猎行为,由适应度高低来设置等级制度,有秩序地对目标参数进行逐渐逼近围捕的移动,每次移动后重新进行适应性评估,经过狼群等级迭代最终捕获猎物,搜索到最佳惩罚因子和核函数半径;最后,利用最佳参数建立支持向量机模型进行不同产地鱼粉的产地溯源。灰狼算法可以提高支持向量机算法中关键参数的选择速度和精度,并提高支持向量机分类正确率。对来自浙江温岭、山东荣成、山东威海、辽宁大连四个产地的鱼粉样品采样,共获得144条光谱,光谱范围为3 700～12 500 cm~(-1),用获得的光谱进行产地溯源。随机选取每个产地样品的70%作为建模训练样本集, 30%作为测试样品集。首先对原始近红外光谱进行预处理,采用多元散射校正算法计算所有光谱的平均光谱当作"理想光谱",其他光谱对平均光谱进行一元线性回归,对光谱平移、偏移进行基线校正。采用小波变换对原信号分解,对高频信号进行阈值化处理,消除高频噪声达到光谱曲线平滑去噪效果;利用灰狼算法优化的支持向量机进行十次平行实验,降低误差干扰,得到产地分类结果:浙江温岭、山东荣成、山东威海、辽宁大连识别正确率分别为100%, 98.89%, 96.43%和97.78%。与网格搜索法相比,改进后的灰狼算法搜索支持向量机的惩罚因子和核函数半径速度更快更精确,分类准确率更高,可见灰狼算法优化的支持向量机(GWO-SVM)对鱼粉光谱进行产地溯源是可行的。     

不同核函数支持向量机和可见-近红外光谱的多种植被叶片生化组分估算

氮、磷、钾元素是植物有机质的重要生化组分,准确估算其含量对监测管理植被的新陈代谢和健康状况具有重要意义。可见-近红外光谱结合多种建模方法已被用于植被生化参数的监测,其中支持向量机回归方法被证明能够较好拟合反射光谱和植被生化参数之间的非线性关系,而选取适当的核函数是其成功的关键。以宜兴地区水稻、玉米、芝麻、大豆、茶叶、草地、乔木和灌木等八种植被叶片样本为研究对象,分析比较基于径向基核函数、多项式核函数和S形核函数的支持向量回归模型估算叶片氮、磷、钾元素含量的能力。利用一阶微分变换、标准正态变量变换和反对数变换对叶片可见-近红外光谱进行预处理,运用bootstrapping法生成1 000组校正集和验证集,分别建立基于三种核函数的支持向量回归估算模型,以决定系数（R2）和相对分析误差（RPD）的均值作为评价指标。结果显示,结合一阶微分和反对数变换光谱,采用径向基核函数模型对氮、钾元素估算精度最高（氮：平均R2=0.64,平均RPD=1.67;钾：平均R2=0.56,平均RPD=1.48）,结合一阶微分变换光谱,采用径向基核函数模型对磷元素估算精度最高（磷：平均R2=0.68,平均RPD=1.73）。研究表明,结合不同预处理的可见-近红外光谱,基于径向基核函数的支持向量回归模型具有较好的估算多种植被叶片生化组分含量的潜力。     

用于混沌时间序列预测的组合核函数最小二乘支持向量机

针对混沌时间序列的预测问题,考虑到单一核函数的最小二乘支持向量机无法明显提高预测精度,提出了一种组合核函数的最小二乘支持向量机预测模型,模型中采用多项式函数与径向基函数组合构建核函数.同时,还对遗传算法进行了改进,使之具有更快的收敛速度和更高的精度,改进的遗传算法适用于解决预测模型中的参数优化问题.通过典型的Lorenz时间序列、Mackey-Glass时间序列、太阳黑子数时间序列以及具有混沌特性的网络流量时间序列对该模型进行了验证.仿真结果表明所提出的模型是有效的.     

基于主成分分析和支持向量机的太赫兹光谱冰片鉴别

利用主成分分析方法结合支持向量机建立了太赫兹时域光谱冰片种类鉴别模型。冰片是一些常用中成药的重要成分,由于其来源多、真假易混淆,在制药和交易环节,迫切需要快速、简便、准确的检测、鉴别方法。太赫兹时域光谱技术是利用太赫兹脉冲表征物质性质的一种新兴光谱技术。实验使用透射式太赫兹时域光谱系统分别获得了艾片、合成冰片和梅片三种冰片在0.2～2 THz之间的吸收谱线。通过主成分分析,做出了第一、第二主成分二维得分图以及第一、二、三主成分三维得分图,两者对三种不同种类冰片都具有很好的聚类效果。用前十个主成分的得分值矩阵代替原光谱数据,通过对三种冰片的60组样本训练,对未知的60组样本鉴别,建立了四种不同核函数的支持向量机模型。对比结果表明,径向基核函数构建的支持向量机对三种冰片的分类鉴别准确率均为100%,由此我们确定选择具有径向基核函数的支持向量机建立冰片种类的鉴别模型。此外,在含噪情况下,四种核函数SVM获得的总分类准确率都在85%以上,说明支持向量机具有很强的泛化能力。主成分分析结合支持向量机方法对冰片太赫兹光谱具有很好的分类和鉴别效果,为冰片等中成药剂的种类鉴别提供了一种新思路。     

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.     

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。     

基于非线性相关系数核方法的超谱数据分类

针对一对一策略的支持向量机算法进行了加权改造,提出一种新的基于非线性相关系数的核方法,在没有地物真实参考图的情况下进一步提高了超谱数据的分类精度.该方法考虑到遥感超谱数据信息依波段分布不均匀的特性,采用非线性相关系数对各波段数据在核函数内部进行加权,使得与参考图相关信息多的波段在分类器中发挥更为显著的作用.同时还提出一种基于非线性相关系数的参考图估计算法,解决了实际应用中真实参考图难以获取的问题.实验对比了采用径向基函数核的支持向量机分类器,结果显示在内部参数为典型值时,所提方法可在无需地物真实参考图的情况下将多分类平均精度和总体精度提高2.90%和3.11%,且运算耗时无明显增加.     

单轴旋转惯导系统轴向陀螺漂移预测方法

轴向陀螺漂移是影响单轴旋转惯导系统导航精度的主要因素。对于轴向陀螺漂移的预测,提出了一种基于支持向量机的算法。利用初始对准12 h内系统纬度误差和温度变化量作为训练数据,构造了以多项式、径向基、小波函数为核函数的支持向量机、最小二乘支持向量机、遗忘因子最小二乘支持向量机,对比了它们用于轴向陀螺漂移预测的泛化性能。试验结果表明:遗忘因子最小二乘支持向量机可有效地用于轴向陀螺漂移预测,具有很高的预测精度,极大地提高了单轴旋转激光陀螺惯导系统的导航精度。     

基于支持向量机回归的LIBS飞灰含碳量定量分析

采用激光诱导击穿光谱(LIBS)技术对配制的飞灰样品进行实验分析,应用支持向量机回归(SVR)模型对飞灰的含碳量进行预测。运用网格搜索法分别对径向基(RBF)核函数和多项式函数的结构参数进行寻优,然后分别建立基于内标元素特征光谱、全谱和主要元素特征光谱的SVR模型。研究表明,基于RBF和多项式核函数的SVR模型在理想的结构参数下可以取得相同的分析精度,但RBF能较快地完成模型优化并且不易出现欠拟合的现象。基于内标元素特征光谱的SVR模型的分析精度与内标法相当,基于全谱的SVR模型出现明显的过拟合现象。基于主要元素特征光谱的SVR模型的回归系数为0.986,校正均方根误差为1.79%,预测均方根误差为2.57%,说明该模型可以有效避免欠拟合和过拟合。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

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.     

海杂波背景下的目标检测新方法

提出了一种基于分形布朗运动模型的S波段雷达海杂波分形维数提取方法.分析了基于记忆库混沌时间序列预测方法，引入一种改进核函数的支持向量机分类器.在此基础上，提出了一种新的海杂波背景下目标检测方法.应用S波段雷达实测海杂波数据，计算得到了该信号的分形维数与Lyapunov指数，验证了S波段雷达海杂波的混沌分形特性.仿真实验结果验证了该方法具有较强的检测能力和抗杂波性能. 关键词： 分形布朗运动 分形维数 记忆库预测方法 支持向量机分类器     

An Overview of Infrared Spectroscopy Based on Continuous Wavelet Transform Combined with Machine Learning Algorithms: Application to Chinese Medicines,Plant Classification,and Cancer Diagnosis

Abstract

Infrared spectroscopy has been a workhorse technique for materials analysis and can result in positively identifying many different types of material. In recent years there have been reports using wavelet analysis and machine learning algorithms to extract features of Fourier transform infrared spectrometry (FTIR). The machine learning algorithms contain back-propagation neural network (BPNN), radial basis function neural network (RBFNN), and support vector machine (SVM). This article reviews the important advances in FTIR analysis employing a continuous wavelet transform (CWT) and machine learning algorithms, especially in the applications of the method for Chinese medicine identification, plant classification, and cancer diagnosis.     

基于凸组合核函数的化合物太赫兹透射光谱分类

物质的太赫兹光谱包含着非常丰富的物理和化学信息。它对化合物晶体具有高的灵敏度、 单光子能量低等特点。但受到检测人员知识背景、 背景噪声、 识别算法精度等因素的影响,光谱样本识别准确率和效率较低。为了提高对太赫兹光谱的检测能力,提出应用基于凸组合核函数的support vector machines(SVM)对化合物的THz脉冲透射谱进行分类。在使用小波变换对数据进行滤波预处理之后,提取了传统波峰、 波谷位置特征和term frequency-inverse document frequency (TF-IDF) 最大间隔特征。TF-IDF方法使用信息论的原理确定每个采样点的权重,选择权重较大的点作为特征。针对太赫兹透射谱特征相似、 维数较低带来的分类困难问题,构建基于凸组合核函数的SVM分类模型。并利用核评价的方法,通过高维非线性规划方程求解最优凸组合参数。当最优凸组合参数被确定时,构建分类模型进行分类和预测。相比较于单一核函数,凸组合核函数将透射谱特征与分类模型融合起来。对于不同的检测样本,数据经过凸组合核函数映射到高维空间后,特征具有更显著的区分度。使用不同的太赫兹透射谱样本进行分类实验,结果表明,分类准确率得到极大提高。     

高光谱成像的甜瓜嫁接愈合状态早期分类检测

嫁接的目的是为了提高植物抗土传病害和非生物逆境的能力。甜瓜嫁接愈合状态的早检测是当前育苗厂工业化发展的重要需求。在标准正态变量变换-Savitzky-Golay平滑-二阶导数（SNV-SG-SD）预处理基础上提出了融合嫁接差异信息的竞争性自适应重加权算法-连续投影法（DIS-CARS-SPA）特征提取算法,并建立了基于网格寻优径向基核函数支持向量机（GS-RBF-SVM）分类模型,实现了基于高光谱成像的甜瓜嫁接愈合状态早期分类检测。首先采集以南瓜为砧木,甜瓜为接穗的嫁接成活苗和非成活苗愈合期1~7 d内的高光谱图像,分别采用9种光谱预处理方法,2种特征提取算法和5种优化算法4种核函数支持向量机（SVM）分类模型进行分析。结果显示,SNV-SG-SD光谱预处理、DIS-CARS-SPA特征提取和GS-RBF-SVM分类模型效果最好。利用该模型进一步分析,在同一天不同类型二分类中,愈合期1~7 d内任何一天的分类准确率均能达到99%以上;在不同天嫁接成活苗二分类中可达 90.17%以上;在不同天嫁接非成活苗二分类中可达97.03%以上;在不同天不同类型十四分类中可达到96.85%,比未融合嫁接差异信息的CARS-SPA特征提取方法准确率提高了0.59%,比只预处理未特征提取方法提高了3.37%。结果表明,所提出的方法不仅能实现同一天不同类型二分类,还能实现不同天同一类型的二分类,不同天不同类型的多分类。在实际应用中,可将分类时间点提前到嫁接后第1天（肉眼观察第3～4天,机器视觉技术第1～2天）,同时第3天均是嫁接成活苗和非成活苗的差异突变天数,嫁接成活苗状态可分为弱—中—强三个阶段,非成活苗状态可分为弱—更弱两个阶段,该结论能为甜瓜嫁接苗生产提供有效指导,具有一定的理论和实践价值。