基于核主元提取的支持向量机辨识

将一种基于特征提取的ε-不灵敏支持向量机方法用于非线性系统辨识.对输入输出数据首先进行核主元特征提取,将特征提取后的数据作为支持向量机的训练数据.将该方法与基于主元特征提取的方法和直接应用ε-不灵敏支持向量机的方法进行含噪和不含噪情况下的仿真比较,结果表明,方法的拟合性能和抗干扰能力优于其他两种方法.     

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.     

基于运行时间预测的枢纽内多线路协调调度研究

针对传统调度模型预见性不强的弱点,提出一个基于支持向量机(SVM)的公交车辆到达枢纽时间的预测模型,基于该模型构建以所有乘客节约时间最大为目标的调度模型,动态协调公交车辆从枢纽的发车时间,并基于遗传算法对该模型进行求解。最后,我们以大连市沙河口火车站枢纽为实例,对该模型和算法的可行性进行了检验,结果显示,本文提出的调度方法优于传统调度策略。     

Wavelet SVM in Reproducing Kernel Hilbert Space for hyperspectral remote sensing image classification

Combining Support Vector Machine (SVM) with wavelet analysis, we constructed wavelet SVM (WSVM) classifier based on wavelet kernel functions in Reproducing Kernel Hilbert Space (RKHS). In conventional kernel theory, SVM is faced with the bottleneck of kernel parameter selection which further results in time-consuming and low classification accuracy. The wavelet kernel in RKHS is a kind of multidimensional wavelet function that can approximate arbitrary nonlinear functions. Implications on semiparametric estimation are proposed in this paper. Airborne Operational Modular Imaging Spectrometer II (OMIS II) hyperspectral remote sensing image with 64 bands and Reflective Optics System Imaging Spectrometer (ROSIS) data with 115 bands were used to experiment the performance and accuracy of the proposed WSVM classifier. The experimental results indicate that the WSVM classifier can obtain the highest accuracy when using the Coiflet Kernel function in wavelet transform. In contrast with some traditional classifiers, including Spectral Angle Mapping (SAM) and Minimum Distance Classification (MDC), and SVM classifier using Radial Basis Function kernel, the proposed wavelet SVM classifier using the wavelet kernel function in Reproducing Kernel Hilbert Space is capable of improving classification accuracy obviously.     

基于太赫兹时域光谱技术的红木分类识别

提出了一种利用太赫兹时域光谱技术（THz-TDS）进行红木分类识别方法。红木价格昂贵,同时由于种类繁多难以识别,导致红木市场以次充好,以假乱真的现象层出不穷,严重扰乱了市场秩序,给生产者和消费者造成巨大的经济损失,传统的红木分类识别方法难以兼顾准确性和快速性,因此需要研究一种新的方法对现有木材分类识别方法进行补充和发展。相比于传统方法,太赫兹波对红木具有良好的穿透性及指纹特性,在红木的分类识别中有较大的应用潜力。选用5种红木（巴里黄檀、奥氏黄檀、大叶紫檀、小叶紫檀、交趾黄檀）作为试验样品木材。利用THz-TDS系统得到木材的太赫兹时域光谱,通过对五种木材的太赫兹时域光谱进行快速傅里叶变换,得到木材太赫兹频域光谱,并对太赫兹时域光谱提取光学参数,分别得到木材的太赫兹折射率谱和吸收系数谱,结果表明不同种类的木材在时域光谱上具有时间延迟线与振幅的差异,在频域光谱上显示衰减趋势及幅值各不相同,在吸收系数谱中各种类红木吸收峰出现的频段不同,能够直观地展示出各种类木材之间的区别,表明THz-TDS进行红木分类识别具有一定的可行性。利用连续投影算法（SPA）提取吸收系数谱和折射率谱的特征频率,对吸收系数谱260个频率点筛选出28个特征频率点,频段占比10.77%;对折射率谱260个频率点筛选出12个特征频率点,频段占比4.62%。分别建立基于吸收系数谱和折射率谱的随机森林分类模型和支持向量机（SVM）红木分类模型,并对各模型分类结果进行对比。实验结果表明,THz-TDS具有良好的木材识别效果,基于木材太赫兹吸收系数谱和折射率谱建立的随机森林分类模型对红木种类有着较好的分类性能,总体分类准确率分别达到了94%和96%,能够准确对红木种类进行分类识别。利用太赫兹时域光谱技术实现了红木的分类识别,为红木的分类识别提供了一个新的思路和技术方案,能够作为近红外光谱木材检测方法的补充,同时为太赫兹技术在木材分类识别领域的应用提供了理论基础。     

基于成像光谱技术的土壤剖面发生层划分初探

土壤剖面是土壤发生学研究的核心,但过去几十年以来研究土壤剖面的技术并没有发生质的变化。成像光谱技术可以提供高空间、高光谱分辨率的土壤剖面数据,能够弥补反射光谱技术采样深度间隔较大的不足,用于定量研究土壤属性连续深度变化。以室内采集的土壤剖面成像光谱数据为研究对象,采用支持向量机方法进行光谱数据主成分分类,探讨成像光谱数据用于剖面发生层划分的可行性并分析影响因素。研究中首先定性分析各发生层平均光谱曲线形态特征,然后通过分析剖面光谱数据主成分深度变化特征及其散点分布情况,探讨其用于剖面发生层划分的可行性;最后进行1 000次随机划分数据集并建模、预测以减小误差,定量证明成像光谱数据用于土壤发生层划分的可行性,并通过样本分类错误频率来分析影响分类精度的因素。研究结果表明,受成土过程影响剖面内各发生层平均光谱曲线特征存在差异。成像光谱数据的主成分可以定量呈现土壤剖面深度方向上属性的连续变化及样本散点分布的集聚特征,能较好反映发生层之间的差异性,可以用于发生层划分。建模预测结果表明发生层的预测精度平均值达到93.08%。同时发现,光谱主成分分布相似区域的样本及位于发生层过渡区域的样本分类错误率较高。该研究为利用成像光谱技术进行土壤剖面发生层划分提供了理论依据,为下一步进行剖面发生层制图奠定了技术基础。     

基于THz时域混沌特征的煤粉细度检测方法的研究

煤粉气力输送的细度检测对磨煤机工作状态的最优控制具有重要的意义。传统的检测方法多采用抽检取样法,通过分样筛等设备检测样品的细度,耗时长且操作复杂。国内外对细度地快速检测也有部分研究成果,但所测粉体浓度须较低,且设备稳定性还有待提高。太赫兹时域光谱技术（THz-TDS）是一种新型的无损检测技术,其低能性、选择透过性、相干性等特点使它具备其他光谱测量方法没有的优势。国内外对太赫兹辐射与颗粒介质相互作用的研究表明,太赫兹波对颗粒介质的细度具有显著敏感性,因此通过太赫兹波检测煤粉细度具有可行性。太赫兹波在高浓度颗粒介质的传播可以被看成是一个非线性动力过程,这个过程包含了复杂的非线性动力学效应,导致光谱测量结果具有混沌特征。将非线性动力系统的概念应用到太赫兹时域光谱信号的分析中,将太赫兹时域光谱信号视为由复杂非线性动力系统产生的时间序列进行特征分析。实验中将煤样研磨并筛分为<38.5,55~74,74~88,88~105和105~200 μm六种细度,并将煤粉与HDPE混合后压制成样品片。分别提取了的煤粉样品太赫兹时域光谱信号的功率谱熵、小波能量熵、盒维数、关联维数、偏度和峭度作为太赫兹时域光谱的混沌特征,通过比较发现这些混沌特征与细度变化具有一定的相关性,从视觉上可以大致区分出细度范围,但无法进行定量分析。支持向量机常用来解决小样本和非线性的分类问题,但是需要选择合适的参数才能建立较为准确的预测模型。文中引入粒子群算法来优化支持向量机建模参数选择。将上述提取的混沌特征向量作为粒子群算法优化的支持向量机的输入变量,以分样筛筛孔作为回归目标,对所测量煤粉细度建立回归模型。实验结果表明利用混沌特征建立的回归模型对<38.5和38.5~55 μm样品的预测结果要逊色于消光谱建模的回归结果,认为这是因为煤粉细度小,太赫兹波在样品中传播时与煤粉颗粒相互作用也比较弱,时域信号的混沌特征表现不明显所导致。对55~74,74~88,88~105和105~200 μm煤粉样品细度的预测结果要明显优于频域消光谱建立的模型,特别是74~88和105~200 μm样品,校正集均方根误差相对于消光谱分别下降了29.48%和26.14%,预测集误差分别下降了88.62%和56.86%。从预测结果整体上来看,采用混沌特征建模的预测结果与目标细度的相关系数为0.9618,消光谱建模的预测结果相关系数仅为0.78。混沌特征建模的均方根预测误差仅为9.52,消光谱建模的均方根预测误差为24.48。同时采用混沌特征的建模时间相对于消光谱的建模时间下降了43.19%。研究结果为太赫兹时域光谱技术在高浓度煤粉气力输送细度检测上的应用提供了科学依据和参考。     

基于共聚焦拉曼光谱技术的苹果轻微损伤早期判别分析

苹果在采摘、分拣、储存和运输过程中容易受到挤压、振动和碰撞而损伤,轻微损伤早期肉眼很难识别,轻微损伤部位易被病原微生物入侵而导致自身和周围水果腐烂,因此,苹果轻微损伤的早期快速准确地判别能有效地降低经济损失,对苹果的采后处理和储存具有重要意义。本研究应用拉曼光谱结合化学计量学方法对苹果早期轻微损伤进行快速识别。采用Savitzky-Golay(SG)卷积对原始拉曼光谱进行平滑去噪,用自适应迭代重加权惩罚最小二乘(airPLS)算法进行基线校正,用非线性的支持向量机(SVM)回归算法建立分类判别模型,采用KS法划分训练集和验证集后,基于线性和多项式核函数建立SVM分类模型的分类准确率可达到97.8%。结果表明,拉曼光谱技术结合化学计量学方法可快速识别苹果的早期轻微损伤,展示了拉曼光谱技术用于判别苹果早期轻微损伤的应用前景。     

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。     

基于支持向量机的玉米苗期田间杂草光谱识别

田间全面积均匀喷施除草剂不经济,还污染环境,精准喷施除草剂意义重大,其关键是正确识别杂草。用便携式野外光谱仪,在田间测量了玉米、马唐和稗草植株冠层在350～2 500 nm波长范围内的光谱数据,经过数据预处理,数据分析波长选为350～1 300和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法。SVM具有可实现对小样本建模结构风险最小化、结果最优化、泛化能力强的优点。用线性、多项式、径向基和多层感知核函数对玉米和杂草建立二分类模型,结果表明,三阶多项式核函数SVM分类模型的正确识别率最高,达到80%以上,且支持向量比例较小。以二分类模型为基础,利用投票机制,建立了玉米、马唐和稗草的一对一多分类SVM模型,正确识别率达80%。田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中应用潜力很大,此研究为田间杂草识别及传感器的建立提供了一种研究思路和应用基础。