基于高光谱图像技术和SVDD的玉米种子识别

特征提取的充分性和分类器设计的合理性是影响玉米种子识别精度的两个关键问题。采集了玉米种子的高光谱图像,并提取每粒玉米种子在不同波段下的图像熵作为分类特征;在此基础上,利用支持向量数据描述方法构建每类玉米的分类器模型,对待识别样本的测试精度达到了94.14%,对新类别样本的识别精度达到92.28%。仿真结果表明：新方法可实现玉米种子的准确识别,同时解决了传统分类器对新类别样本的错误分类问题。     

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。     

基于DS算法的玉米近红外定性分析光谱校正方法研究

从校正的角度出发,研究了近红外定性分析中模型稳定性问题。以13个玉米品种为研究对象,针对数据采集时间不同带来的模型失效问题,借鉴近红外光谱定量分析中两台仪器间模型传递的思想,将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型,能用于其余时间测试数据的鉴别。首先采用Kennard/Stone算法在主光谱集中选取校正样品集,按照对应的编号从从光谱集中取出对应的数据,然后对校正样品集采用DS算法求取两组数据间的变换关系,再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。实验中对比了校正样本数和模型校正位置对校正结果的影响,分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。结果表明,该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象,对采样时间不同的测试集均得到较高的识别率,提高了模型的鲁棒性和适用范围,由实验结果可见,校正位置处于特征提取之后时,校正效果最佳。     

近红外漫反射光谱鉴别鸡蛋种类

提出一种利用近红外光谱技术进行鸡蛋种类快速、无损鉴别的新方法.选用7500-4000cm-1的光谱,采用标准正态变量变换(SNV)后作主成分分析(PCA),选取前10个主成分作为模型输入,种类类别作为模型输出,分别建立了3种鸡蛋种类的线性判别法(LDA)和支持向量机(SVM)鉴别模型,所建模型均能较好的对鸡蛋种类进行鉴别,SVM模型效果优于LDA模型,其预测集正确识别率达97.44％.结果表明,近红外光谱技术可用于鸡蛋种类的快速、无损鉴别.     

薏仁种类的近红外光谱技术快速鉴别

薏仁是一种药食两用资源,对其品质快速鉴别的需求也越来越多,近红外光谱技术(near infrared spectroscopy,NIRS)作为一种快速、 无损且环保的方法正适合这一需求。 以不同产地和品种薏仁的近红外光谱为基础,结合化学计量学方法对薏仁种类进行鉴别。 对原光谱用无监督学习算法主成分分析(principal component analysis,PCA)和有监督学习算法学习向量量化(learning vector quantization,LVQ)神经网络、 支持向量机(support vector machine,SVM)进行定性判别分析。 由于不同地区和不同品种的薏仁营养物质组成复杂且含量相近,所选两类薏仁的特征变量很相似,因而PCA得分图重叠严重,很难区分;而LVQ神经网络和SVM都能得到满意结果,LVQ神经网络的预测正确率为90.91%,SVM在经过惩罚参数和核函数参数优选后,分类准确率能达到100%。 结果表明：近红外光谱技术结合化学计量学方法可作为一种快速、 无损、 可靠的方法用于薏仁种类的鉴别,并为市场规范提供技术参考。     

基于遗传算法的近红外光谱定性分析特征波长提取方法研究

近红外光谱分析技术虽在多领域获得广泛应用,但应用时仍以实验室仪器为主,目前光谱仪存在体积大、功耗高、价格贵等问题,有能力购买与使用此类仪器的主要是高校、科研院所、大型企业等,常用的基于傅里叶变换或光栅原理的光谱仪价格通常高达几十万元,超出中小企业、普通百姓的经济承受能力,因此近红外光谱仪的进一步推广应用仍有难度.降低仪...     

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。     

基于置信学习机与近红外光谱的煤种快速分类方法

基于近红外光漫反射谱技术的检测分析具有简单,快捷,安全等优势而被广泛应用于各行各业。应用近红外光谱分析技术实现不同煤种的快速分类,该方法可以替代费时费力费财的传统化学分析方法。同时首次将置信学习机(confidence machine)引入近红外分析中,实现了对分析结果的风险评估。采集了来自不同矿区共四种不同煤种(肥煤,焦煤,瘦煤和贫瘦煤)的199个煤样本的近红外光谱,通过机器学习的方法针对煤的近红外光谱构建了煤种分类器来实现煤种的快速分类。在近红外分析中引入了置信学习机的分析方式,结合支持向量机(SVM),构建了离线和在线的CM-SVM分类器。置信学习机是一种概率方法,使用概率(CM-SVM)来取代分类超平面(SVM)进行分类,不仅分类效果好于传统的SVM,达到了95.48%的分类率,还能同时给出每个样本分类结果的置信度,可靠度等风险信息。另外,CM-SVM通过对置信水平的设定,得到不同置信度下预测区间,该区间的预测正确率是与置信水平严格对应的,对于产品质量控制有非常重要的意义。置信学习机同时是一种在线的学习模型,新样本的不断加入会提高模型的性能,非常适合于工业现场的在线分析。在线的CM-SVM模型随着样本数的增加,预测结果的置信度有所提高,对工业现场近红外分析有重要意义。     

基于特征投影图的小麦近红外光谱变量选择方法研究

为了简化模型,提高模型预测精度,利用特征投影图(LPG)进行变量选择。对原始光谱进行连续小波变换(CWT),利用主成分分析(PCA)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数特征光谱变量建立预测模型,所得模型预测均方根误差(RMSEP)为0.345 4,优于其他建模方法,研究结果表明,LPG变量选择可有效简化近红外光谱模型,提高模型预测精度。     

基于近红外光谱和支持向量机的子宫内膜癌早期诊断研究

近红外光谱结合化学计量学方法对癌症的辅助诊断已有了文献报道.该文测定了77例不同生理阶段的子官内膜组织病理切片的近红外光谱,对其分别进行多元散射校正(MSC)、正交信号校正(OSC)以及二者联用的预处理方法,采用拉丁配分法选择3/4样本作为训练集,1/4样本作测试集,建立支持向量机(SVM)模型进行分类,并与基于同样预...     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.     

基于支撑矢量机的天体光谱自动分类方法

天体光谱自动识别系统的主要目标是对天体进行分类和参数测量。文章提出一种新的基于支撑矢量机的非活动天体与活动天体的自动分类方法。在信噪比低的时候 ,由于红移值未知使得噪声与发射谱线难于辨别 ,因此不能单纯依靠寻找发射谱线来确定是否为活动天体。据此 ,在低噪声情况下对非活动天体与活动天体的区分成为难点。本方法结合主分量分析法和支撑矢量机 ,能够对红移值未知的活动天体与非活动天体比较有效地进行自动光谱分类 ,对天文界的大型巡天计划中的海量观测数据自动处理有比较重要的应用价值。     

流形判别分析和支持向量机的恒星光谱数据自动分类方法

尽管经典的分类方法支持向量机SVM在天文学领域广泛应用,但其只考虑类间的绝对间隔而忽略类内的分布性状,因而分类性能有待于进一步提升。鉴于此,提出一种新颖的基于流形判别分析和支持向量机的恒星光谱数据自动分类方法。该方法引入流形判别分析的两个重要概念：基于流形的类内离散度M_W和基于流形的类间离散度M_B。所提方法找到的分类面同时保证M_W最小且M_B最大。可建立相应最优化问题,然后将原最优化问题转化为QP对偶形式求得支持向量和判别函数,最后利用判别函数判断测试样本的类属。该方法的最大优势在于进行分类决策时,不仅考虑样本的类间信息和分布特征,而且还保持了各类的局部流形结构。SDSS恒星光谱数据上的比较实验表明该方法的有效性。     

基于多类支持向量机的恒星光谱分类方法

支持向量机作为一种经典的分类方法被广泛应用于恒星光谱分类领域。该方法在实际应用中取得了较为理想的分类效果,但其面临无法解决多分类问题的挑战。在支持向量机的基础上,提出多类支持向量机,建立基于多类支持向量机的恒星光谱分类模型。该方法的最大优势是经过一次分类过程,可以确定多类样本的类属。SDSS DR8恒星光谱数据上的比较实验表明,本研究所提的方法较之已有多分类方法在分类性能上有一定的提升。     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

基于近红外光谱与支持向量机的纸浆卡伯值在线测量

提出了用近红外光谱漫反射技术和支持向量机建模方法实现纸浆卡伯值在线测量的新方法。采集45份松木浆样品的近红外漫反射光谱,选择各样品15个振动吸收峰对应的吸收率,采用动态独立分量分析(DICA)对输入样本数据进行特征提取,建立基于支持向量机(SVM)的纸浆卡伯值预测模型。45份样品中选择35份组成校正集,另10份作为预测集对模型进行验证。基于支持向量机的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.26和0.93;基于线性回归的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.45和0.81。研究结果不仅表明纸浆卡伯值近红外测量方法的可行性和有效性,而且验证了基于支持向量机的纸浆卡伯值预测模型比线性回归模型具有更高的准确性和鲁棒性。     

基于烟叶电子鼻-近红外数据融合的支持向量机分类判别烟叶年份

提出了一种基于烟叶近红外光谱(NIR)和烟叶电子鼻(EN)融合数据的烟叶年份判别的支持向量机分类模型。在NIR和EN数据融合的基础上,利用遗传算法来进行变量选择,再建立烟叶年份判别支持向量机模型,所得到的烟叶判别模型在训练集和独立测试集上都具有较高的准确率。建立的烟叶判别NIR-E-SVM模型的建模准确率达到100%,留一法准确率达到98.55%,对未知样本的预报准确率为90%。     

基于支持向量机的模型传递方法研究

模型传递是以数学方法通过在2台不同仪器之间寻求一种变换关系来增强光谱仪数据通用性、可比性的一种基本途径。由于实际测量数据具有非线性特征,加上校正样本集合的有限性,使得解决小样本条件下非线性关系的模型传递问题显得尤为重要。文章在概述支持向量机基本原理的基础上,探讨了支持向量机方法在光谱仪的模型传递问题中的应用,提出了基于支持向量机的分段直接校正方法,最后采用计算机模拟的方式对该方法进行了举例说明,并和人工神经网络方法进行了相应的比较。     

纺织品近红外光谱定性分析的一种新方法

近红外光谱分析技术可用于对样本的快速无损检测,在人们的生产和生活中发挥着越来越重要的作用。支持向量机是建立定性分析模型的常用方法,可通过寻找最优分类超平面将两类样本分开。在小样本情况下,支持向量机方法有其独特的优势。主成分分析是常用的数据降维方法,可将数据降维之后作为支持向量机方法的输入变量,简化模型并提高模型识别的准确性。因此,基于主成分分析的支持向量机(简称PCA-SVM)适合用于建立近红外光谱定性分析模型。多模型方法是人们使用较少的建模方法,用该方法建立的模型一般具有较好的稳定性。将多模型方法与PCA-SVM方法成功结合形成了新方法。以棉锦混合、棉涤混合纺织品为例,用新方法建立了这两类纺织品样本的近红外光谱定性分析模型。建模时将光谱数据按照波长分为4组,用每组光谱数据建立一个子模型,将子模型的输出值进行加权平均便得到最终的预测结果。这样可以更充分地使用光谱数据中所包含的信息。为了便于对比不同的方法,仍使用上述校正集和验证集,又用PCA-SVM方法建立了这两类纺织品样本的近红外光谱定性分析模型。对预测结果做交叉验证,用新方法所建模型判别的正确率的平均值为85.49%,正确率的标准差为0.066 7, 用PCA-SVM方法所建模型判别的正确率的平均值为83.34%,正确率的标准差为0.109 6。研究结果表明用新方法所建模型的分类效果好于用PCA-SVM方法所建模型的分类效果;用新方法建立的模型的稳定性明显高于用PCA-SVM方法建立的模型的稳定性。用PCA-SVM方法所建模型的预测效果受校正集构成情况的影响较大,而用新方法所建模型的预测效果则相对稳定。对废旧纺织品进行分类回收可大量节约纺织原材料,但采用人工分拣方式效率低且成本高。采用近红外光谱分析方法对纺织品进行分类,为废旧纺织品的大规模精细分拣和分级奠定了一定的基础。该新方法有望用于某些其他类型样本的分类。