混沌时间序列的支持向量机预测

根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力, 建立了混沌时间序列的支持向量机预测模型,并在统计学习理论的基础上采用最小二乘方法来训练预测模型,利用该模型对嵌入维数与模型的均方根误差的关系进行了探讨.最后利用Mackey-Glass时间序列和变参数的Ikeda 时间序列对该模型进行了验证,结果表明,该预测模型能精确地预测混沌时间序列,而且在混沌时间序列的嵌入维数未知时也能取得比较好的预测效果.这一结论预示着支持向量机是一种研究混沌时间序列的有效方法.  

基于在线最小二乘支持向量机回归的混沌时间序列预测

提出了一种基于在线最小二乘支持向量机（LS-SVM）回归的混沌时间序列的预测方法.与离线支持向量机相比，在线最小二乘支持向量机预测方法即使当混沌系统的参数随时间变化时仍然有效.以Chen's混沌系统、Rssler混沌系统、Hénon映射及脑电(EEG)信号四种混沌时 间序列为例评估本文提出的预测方法，结果验证了其混沌时间序列预测的有效性.  

模式识别和红外光谱法相结合鉴别中药材产地

用红外光谱法取得来自不同产地的中药材的中红外光谱，结合模式识别的方法实现中药产地的快速鉴别。采用了近邻法和多类支持向量机方法对采集自4个不同产地的269个白芷样本和6个不同产地的380个丹参样本进行了产地鉴别，得到的交叉验证准确率达99％，为中药材产地的自动鉴别探索了一条有效的途径。  

支持向量机(SVM)在傅里叶变换近红外光谱分析中的应用研究

支持向量机(SVM)用于两类问题的识别研究，它是统计学习理论中最年轻的分支，所建分析模型有严格的数学基础。同时介绍了SVM学习的基本原理和方法，并将该方法引入化学计量学，以103个中药大黄样品为实验材料，通过SVM近红外光谱法建立了大黄样品真伪识别模型。对学习集中33个样品模型识别准确率为100％；对70个预测样品的识别准确率为96．77％，为中药大黄的快速识别提供了参考。研究结果表明了SVM近红外光谱法建立生物样品识别模型的可行性。通过旨在介绍SVM学习方法的基本思想，以引起化学计量学工作的进一步关注。  

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料，由33个小麦样品作为校正样品，采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测；不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上，平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果，同所建PLS回归模型的预测结果进行了比较，表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析，且有较好的分析效果。  

基于支持向量机的近红外光谱鉴别茶叶的真伪

快速准确地鉴别名优茶的真伪是当前茶叶行业亟待解决的一项重大课题。针对这一现状,提出了一种快速准确鉴别名优茶真伪的新思路。试验中,以碧螺春茶为研究对象,利用近红外光谱分析技术结合支持向量机(SVM)模式识别原理建立碧螺春茶真伪鉴别模型。试验结果显示,通过标准归一化(SNV)预处理,选取6500~5500 cm-1波长范围内的光谱经过主成分分析后,提取11个主成分,选用径向基函数(RBF)作为核函数建立的模型最佳。对训练集中的138个茶叶样本,模型的回判鉴别率达到93.48%;对90个独立样本进行预测时,模型的预测鉴别率达到84.44%。研究结果表明基于支持向量机的近红外光谱鉴别名优茶真伪的方法是可行的。  

高光谱在小麦条锈病严重度分级识别中的应用

小麦条锈病是我国小麦生产上造成损失最大、危及范围最广的一种病害,对该病的监测预报是实施有效治理措施的重要基础和依据.文章以88个小麦叶片为试验材料,其中条锈病叶按严重度分为8级,健康小麦叶片为对照,由ASD Field-Spec Pro FR 2500型光谱仪和LI-Cor1800-12外置积分球获取高光谱数据,采用SVM算法对不同严重度的小麦条锈病病叶进行了判别分析.按1:1比例随机划分样品集,校正集的44个样品建立模型,对预测集的44个样品的严重度进行预测识别,总体正确识别率达97%,表明SVM算法用于小麦条锈病严重度分级识别是可行的.  

基于反射光谱的温室黄瓜叶片磷素含量分析与预测

以温室栽培黄瓜作物为对象,分析了叶片反射光谱与叶片磷素含量之间的相关关系,并建立了预测模型.首先利用便携式光谱辐射仪测量了自然光照条件下温室黄瓜叶片的光谱反射率,并计算了反射率光谱的一次微分光谱.相关分析表明反射率光谱与叶片含P量之间具有一定的相关性,但线性相关不显著.利用微分光谱可以部分消除系统误差、背景噪声等的影响,明显提高了相关系数,但预测模型精度仍然达不到实用程度.在理论分析的基础上,选取978,920,737和458 nm等4个波长作为特征波长,分别利用人工神经网络和支持向量机建立了黄瓜叶片P素含量对应于微分光谱特性的非线性预测模型,结果表明两种算法都获得了较好的预测效果,支持向量机模型的预测能力(Rv=0.754)优于人工神经网络模型(Rv=0.712).  

时空混沌序列的局域支持向量机预测

结合局域预测法计算速度快的优点和支持向量机的泛化性能好、全局最优、稀疏解等特性，用局域支持向量机预测研究了时空混沌序列的局域预测性能，并用局域支持向量机预测模型讨论了嵌入维数、邻近个数选择以及时空混沌的耦合方式和格子间的耦合强度变化对时空混沌局域预测性能的影响.研究结果表明：局域支持向量机不仅比全局支持向量机、局域零阶预测、局域线性预测等方法具有更好的预测性能，且具有对嵌入维数和邻近个数不敏感的优点；时空混沌的耦合方式和格子间的耦合强度对时空混沌序列的预测性能有明显影响.  

基于支持向量机的非线性荧光光谱的识别

提出将支持向量机网络应用于含不同浓度杂质气体的非线性荧光光谱的识别。由于原始光谱数据的光谱通道数目很大,首先用小波变换去噪压缩,然后采用主成分分析方法对光谱信息进行连续两次的特征提取。在保持原光谱数据主要信息基本不变的情况下,将数据维数由3979压缩到514(小波变换)并提取9个主成分。这样,不仅减少了网络的输入维数,而且加快了网络的训练速度。实验结果表明,无论对训练样本还是未学习过的测试样本,其正确识别率均可达到100%。网络的训练和测试速度较快,可以更有效地应用于大气杂质气体的实时监测。