基于支持向量机的水稻叶面积指数高光谱估算模型研究

为了研究支持向量机(SVM)对于作物农学参数高光谱估算的能力,通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻在不同生长期的冠层高光谱反射率(350～2 500 nm)。依据Ladsat-5的TM传感器波段宽度,将高光谱反射率转换为10种不同的植被指数。利用所有样本的植被指数和水稻叶面积指数(LAI),通过不同统计模型的模拟分析,依据模型的R2选取了三种相关性较高的统计关系(包括NDVI_green的指数关系、TCARI/OSAVI的乘幂关系和RVI₂的乘幂关系)。对这三种关系,通过具有不同核函数的SVM模型和相应统计模型对LAI进行估算。结果表明：所有的SVM模型都具有较低的均方根误差值,估算精度都高于相应的统计模型;基于TCARI/OSAVI的POLY核SVM具有最高的估算精度,其RMSE比相应的统计模型降低近11个百分点。因此,SVM方法用于水稻LAI高光谱估算具有良好的学习能力和鲁棒性。     

冬小麦叶面积指数遥感反演方法比较研究

叶面积指数(leaf area index, LAI)是反映作物生长状况和进行产量预测预报的主要指标之一,对诊断作物生长状况具有重要意义。遥感技术为大面积、快速监测植被LAI提供了有效途径。利用高光谱遥感影像,结合田间同步实验数据,探讨不同方法对冬小麦叶面积指数遥感反演的能力。介绍了支持向量机、离散小波变换、连续小波变换和主成分分析四种LAI反演方法。分别利用上述四种方法构建冬小麦LAI反演模型,并对不同算法反演的LAI模型进行了真实性检验。结果显示,支持向量机非线性回归模型精度最高,对冬小麦LAI估算能力最强,反演值与实测值拟合的决定系数为0.823 4、均方根误差为0.419 5。离散小波变换法和主成分分析法都是基于特征提取和数据降维,其多元变量回归分析对LAI估算能力相近,决定系数分别为0.697 1和0.692 4,均方根误差分别为0.605 8和0.554 1。连续小波变换法回归模型精度最低,不适宜直接用其小波系数来反演LAI。结果表明,非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。     

基于最小二乘支持向量机的混沌控制

利用支持向量机良好的非线性函数逼近和泛化能力，提出基于最小二乘支持向量机非线性补偿的混沌控制新方法.应用最小二乘支持向量机离线辨识混沌系统的非线性部分，并用辨识模型补偿系统的非线性，同时应用线性状态反馈控制混沌系统.对三种典型连续混沌系统的仿真研究表明，提出的控制方法可以有效的控制混沌系统到达设定的目标状态，并且由线性状态反馈控制器构成的闭环系统稳定. 关键词： 混沌控制 支持向量机 最小二乘支持向量机 状态反馈 稳定性     

基于集成最小二乘支持向量机方法的近红外光谱分析

针对近红外（Near Infrared,NIR）光谱测量中的小样本问题。本文提出了一种集成最小二乘支持向量机（Ensemble Least Squares Support Vector Machine,ELS-SVM）新算法。首先使用随机子空间算法（Random Subspace Method,RSM）原始高维变量空间划分为若干个低维度的子空间,然后分别在各个子空间建立最小二乘支持向量机（LS-SVM）模型,最后构造一个集成结果来进行预测。针对一批柴油样本的实验结果表明,本法对柴油十六烷值的预测精度优于传统的LS-SVM方法。     

红外光谱结合最小二乘支持向量机掺杂牛奶判别方法研究

基于红外光谱和最小二乘支持向量机建立掺杂牛奶与纯牛奶的判别模型。分别配置含有葡萄糖牛奶(0.01~0.3gL-1)和三聚氰胺牛奶(0.01~0.3gL-1)样品各36个,采集纯牛奶及掺杂牛奶样品的红外光谱。采用最小二乘支持向量机分别建立掺杂葡萄糖、掺杂三聚氰胺、两种掺杂牛奶与纯牛奶的判别模型,并利用这些模型对未知样品进行判别,其判别正确率都为95.8%。研究结果表明:与线性的偏最小二乘判别建模方法相比,最小二乘支持向量机方法具有更强的预测能力。     

基于最小二乘支持向量机的分数阶混沌系统控制

提出了基于最小二乘支持向量机(LS-SVM)的分数阶混沌系统控制方法.基于分数阶线性系统稳定理论,通过线性分离的方法将系统分解为稳定的线性部分和相应的非线性部分,再利用支持向量机良好的非线性函数逼近和泛化能力设计了主动控制器,对非线性部分进行补偿,从而将分数阶混沌系统控制到平衡点.分别以分数阶Liu系统和分数阶Chen系统为例进行了仿真研究,表明该方法是有效和可行的.     

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。     

基于最小二乘支持向量机的橄榄油掺杂拉曼快速鉴别方法

提出了一种基于最小二乘支持向量机(LS-SVM)的橄榄油掺杂拉曼快速鉴别方法。首先,收集若干己知类别的橄榄油样作为训练样本,获取其拉曼谱图,并对其谱图进行预处理和波段选择,进而构建LSSVM分类器;对于未知类别的油样,获取其拉曼谱图,并进行相应的预处理和波段选择,由LSSVM分类器获得鉴别结果。实验以7种已知的特级初榨橄榄油为基础,分别掺入4种其它植物油(大豆油、菜籽油、玉米油、葵花籽油),获得112个掺杂油样。将全部样本随机分成训练集和测试集,对测试集样本的预测实验结果表明,本文方法能有效鉴别橄榄油掺杂,且掺杂量最低检测限为5%。与其它分类方法相比,LSSVM分类法具有最佳的分类性能。该方法快速、简便,为橄榄油掺杂鉴别提供了一种全新的方法。     

基于最小二乘支持向量机的番茄汁糖酸度分析研究

近红外光谱应用于农产品内部品质无损检测的方法引起人们的广泛关注,在分析过程中建立一个稳定可靠的模型用于处理非线性数据集是十分重要的,也是有一定难度的。目前常用的偏最小二乘(PLS)、主成分回归(PCR)以及逐步多元线性回归(SMLR)等方法还不能解决这类问题。文章提出了将基于统计学原理的最小二乘支持向量机(LS-SVM)回归方法用于番茄汁的近红外(NIR)光谱分析,预测番茄汁品质(糖度和有效酸度)。运用LS-SVM方法以67个番茄汁样本建模,采用高斯径向基函数(RBF)为核函数,对33个样本进行糖酸度预测,糖度的相关系数为0.990 25,均方根标准预测误差为0.0056° Brix;有效酸度的相关系数为0.967 5,均方根标准预测误差为0.024 5。结果表明,LS-SVM方法要优于PLS和PCR建模方法,是一种快速、准确的近红外光谱分析方法。     

最小二乘支持向量机结合中红外光谱测定甲醇柴油甲醇含量

采用中红外光谱法对甲醇柴油的甲醇含量进行检测分析。首先,对采集到的原始光谱进行预处理(标准正则变换、多元散射校正、一阶微分、二阶微分、Savitzky-Goly平滑),采用偏最小二乘法和最小二乘支持向量机建立了甲醇柴油的甲醇含量预测模型,并比较了不同预处理方法对模型预测能力的影响。实验结果表明,LSSVM的建模效果最佳,其预测集相关系数R~2为0.981 8,预测均方误差RMSEP为1.3917%(体积比)。因此,中红外光谱技术可用于甲醇柴油中甲醇含量的快速检测,且可以达到很好的效果。     

冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

最小二乘支持向量机的核桃露饮品中脂肪成分的定量分析

利用近红外光谱对核桃露中的重要指标脂肪含量进行定量分析,同时进行建模变量优化、建模方法比较以优选最佳模型。为消除散射对光谱造成的影响,采用标准正态变换（SNV）方法对数据进行预处理,采用遗传算法（GA）结合向后间隔偏最小二乘法（BiPLS）优选的特征波长分别作为偏最小二乘法（PLS）及最小二乘支持向量机（LS-SVM）的输入变量,建立核桃露中脂肪含量的近红外定量模型,采用决定系数（R2）、预测标准偏差（RMSEP）以及性能偏差比（RPD）对各模型进行评价,探究光谱波段选择方法对于核桃露中脂肪指标模型构建的影响,同时确定最佳建模方法。结果表明：进行变量筛选能够对模型起到优化作用,BiPLS及GA-BiPLS方法分别选择了150及30个变量点,占全光谱的10%及2%,对应了核桃露样品中脂肪成分的特征吸收峰,使得PLS模型的RMSEP值从0.049分别下降到0.043和0.040,同时模型的相关系数R2从0.964提高到0.973及0.974,性能偏差比RPD从4.88增长到5.62及6.00,主成分数也有不同程度的减少,降低模型复杂程度的同时提高了模型准确性。相比于PLS模型,核桃露脂肪指标的LS-SVM模型的R2,RMSEP及RPD值均表现出了更好的效果,分别达到0.986,0.036及6.52。说明基于最小二乘支持向量机建立的分析模型有较高的准确度及稳定性,可能是由于PLS作为一种经典的线性建模方法,在建立模型的过程中忽略了样品数据集中的非线性因素,而核桃露样品光谱测量过程中噪声、背景等因素的干扰,以及各指标成分间的相互影响,使得脂肪含量与近红外光谱信息间存在复杂非线性的变化关系,LS-SVM方法能够更为有效地对其进行描述,增强了光谱变量与指标浓度间的相关性,使得建立的模型有着更好的准确度以及普适性,说明了在实际生产中,LS-SVM方法具备优良的可行性,体现了其在核桃露饮品品质分析方面的巨大潜力。基于最小二乘支持向量机方法所建立的核桃露脂肪含量的定量分析模型,具有准确、稳定的特点,能够为核桃露生产的质量监控提供技术借鉴,同时为饮品品质的分析方法研究提供了新的思路。     

Discussion About Nonlinear Time Series Prediction Using Least Squares Support Vector Machine

The least squares support vector machine (LS-SVM) is used to study the nonlinear time series prediction. First, the parameter γ and multi-step prediction capabilities of the LS-SVM network are discussed. Then we employ clustering method in the model to prune the number of the support values. The learning rate and the capabilities of filtering noise for LS-SVM are all greatly improved.     

无人机高光谱波段选择的叶面积指数反演

叶面积指数(LAI)是评价作物长势和作物产量的重要参数.为有效利用高光谱信息,优选出最佳波段进而构建新型双波段指数来提高LAI估测精度,以冬小麦为研究对象,获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据,开展冬小麦LAI反演研究.首先采用连续投影算法(SPA)、最佳指数法(OIF)以及逐波段组合法(E)分别进行无...     

基于最小二乘支持向量机的国公酒中橙皮苷含量测定

应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。利用Kernard-Stone法对训练集样本进行划分,对光谱数据预处理方法进行了选择,比较了平滑、范围标度化、自标度化、一阶微分、二阶微分以及这几种预处理相互结合的六种方法,确定了以平滑、一阶微分,范围标度化作为国公酒近红外光谱的数据预处理方法,采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm-1及9 712～9 808 cm-1。应用最小二乘支持向量机建立模型,所建模型的交叉验证误差均方根为0.000 1,预测误差均方根为0.004,预测集的相对偏差小于5%。与组合的间隔偏最小二乘法、径向基-人工神经网络和支持向量机进行了比较。该方法快速、无损且可靠,可作为国公酒中橙皮苷含量快速测定的手段。     

拉曼光谱和MLS-SVR的食用油脂肪酸含量预测研究

为实现食用植物油中饱和脂肪酸、油酸、亚油酸含量的快速预测,对一批纯食用油以及不同比例两两混合油共91个样品进行了拉曼光谱检测,在800～2 000 cm-1范围内,通过基于寻峰算法的自动确定支点的基线拟合方法,对获得的光谱数据进行预处理,提取八个特征峰作为拉曼光谱的特征值。以这些特征值为输入,以样品油中实际饱和脂肪酸、油酸、亚油酸含量为输出,运用偏最小二乘回归(PLS)和多输出最小二乘支持向量回归机(MLS-SVR)方法,分别建立了可以同时预测三种脂肪酸含量的数学模型,结果表明MLS-SVR方法具有较好的效果。将MLS-SVR模型的预测结果与气相色谱法结果相比较,可得到三种脂肪酸的预测均方根误差分别为0.496 7%,0.840 0%和1.019 9%,相关系数分别为0.813 3,0.999 2和0.998 1;对未知样品三种脂肪酸的预测均方根误差不超过5%。表明,拉曼光谱和MLS-SVR相结合的食用油脂肪酸含量预测方法,具有快速、简便、无损、准确等优点,为食用油脂肪酸含量分析提供了一种可行的方法。     

基于近红外光谱和最小二乘支持向量机的聚丙烯酰胺类型鉴别

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法,能够快速、无损鉴别聚丙烯酰胺的三种类型。获取非离子,阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱,用主成分分析方法对样本光谱数据进行降维,并提取主成分。基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析,并将主成分作为最小二乘支持向量机的输入。通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。每种类型聚丙烯酰胺各采集60个样本,共采集180个样本,每种类型样本随机选取45个样本,共135样本作为训练样本集,剩余45个样本作为测试集。为了验证该方法能否鉴别掺假样本,制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。结果表明,预测测试集时,准确率为100%。预测10个混和样本时,所有混合样本都被准确识别出。说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力,为聚丙烯酰胺类型的快速鉴别提供了一种新方法。