支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外（372.53～1 038.57 nm）波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域（ROI）的平均光谱,分别采用连续投影算法（SPA）和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机（SVM）分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵（GLCM）的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。     

基于自适应参数支持向量机的高光谱遥感图像小目标检测

针对高光谱遥感图像的小目标检测问题,提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维,降低数据冗余度;之后通过无监督检测方法对小目标进行快速、粗糙定位,并将该定位结果作为后验信息输入到SVM中;依据后验信息与核空间散度准则自适应确定SVM中核函数的参数,并使用SVM在核空间中寻找分离目标和背景的最佳超平面;利用该超平面将像元重新分类为背景和目标,并且迭代上述操作,得到精确且稳定的目标检测结果。大量实验结果表明,与经典RX方法、核RX方法、支持向量数据描述(SVDD)方法相比,该方法可以更有效、精确地检测出高光谱遥感图像中的小目标。     

一种曲面拟合的方法

本文讨论了物理实验中一种简单的二元函数拟合的问题,并列举普通物理实验中“梁之弯曲”实验为例,加以说明。     

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。     

由实验曲线求气体分子速率分布函数

气体分子速率分布函数ｆ（ｖ）＝４／√π（ｍ／２ｋＴ）＾３／２ｖ＾２ｅ－ｍｖ＾２／２ｋＴ，最初是由麦克斯韦用统计理论推导出来的。本文阐述了一种从实验曲线出发寻求这一分布函数的方法，虽不严廑，但过程简单，便于掌握。     

油滴实验的数据处理方法

提出一种用于密立根油滴实验数据处理的新方法－“图解法”。用这种方法进行数据处理，不需要事先知道单位电荷数值，克服了“最大公约数方法”中寻求最大公约数的困难。“图解法”根据公式ｑ＝ｎｅ，将ｅ视为直线方程的斜率，通过拟合直线，一次性求得所有油滴的带电量子数和单位电荷值，具有合理、直观和简捷的优点。     

基于QPSO—SVM算法的PDS变送器温度补偿方法

由于PDS压力变送器[1] 的测量数据会随着温度的变化而发生温度漂移,文中提出了量子粒子群[2](QPSO)算法和支持向量机[3](SVM)算法相结合的方法对压力变送器的输出数据进行补偿处理,通过QPSO算法优化SVM参数C、δ²,然后利用SVM的函数拟合建立补偿模型;通过分析工程实验结果,该方法在全局收敛性、非线性目标函数逼近能力等方面效果显著,在压力传感器温度补偿处理上具有较高的实用性。     

基于模糊多核学习的改进支持向量机算法研究

针对传统SVM对噪声点和孤立点敏感的问题,以及不能解决样本特征规模大、含有异构信息、在特征空间中分布不平坦的问题,将模糊隶属度融入多核学习中,提出了一种模糊多核学习的方法。通过实验验证了模糊多核学习比传统SVM、模糊支持向量机以及多核学习具有更好的分类效果,从而验证了所提方法能够有效的克服传统SVM对噪声点敏感以及数据分布不平坦的问题。     

基于细菌觅食特征改进粒子群算法优化SVM模型参数研究

针对粒子群算法优化SVM模型参数在进化后期容易陷入局部最优的问题,研究了细菌觅食趋利避害机制,提出了一种基于细菌觅食特性改进粒子群算法的方法,并将改进方法应用于优化SVM预测模型参数的研究;实验结果表明,该方法能够弥补粒子群算法在进化后期容易陷入局部最优的缺陷,具备更好的寻优性能。     

基于NIR分析和模式识别技术的玉米种子识别系统

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。近红外(NIR)光谱分析以其快速、简便、非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。文章基于五种不同的模式识别方法:局部线性嵌入(LLE),小波变换(WT),主成分分析(PCA),偏最小二乘(PLS)和支持向量机(SVM),利用NIR技术建立了玉米种子的模式识别系统,并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。首先利用LLE,WT,PCA,PLS进行消噪或降维,然后运用SVM进行分类识别,而一模支持向量机(1-norm SVM)算法直接进行分类识别。三个不同NIR光谱范围的数值实验显示:PCA+SVM,LLE+SVM,PLS+SVM识别效果甚佳,而WT+SVM和1-norm SVM方法也有较高的分类精度。实验结果表明了本文提出方法的可行性和有效性,为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。     

SVM参数优化方法分析与决策

针对支持向量机应用过程中的参数选择问题,从UCI数据库选择样本集,分别采用传统的网格法、智能优化算法中的粒子群法及遗传算法实现核函数参数寻优过程,将所得最佳参数应用到样本测试中。在深入分析优化过程中各参数关系、参数对支持向量机性能的影响以及传统与智能优化算法的优劣后,得出了核函数优化策略。即先使用智能优化算法初步确定最优解范围,再结合网格法进行高精度寻优。实验数据验证了参数优化策略的有效性,为扩大支持向量机泛化率、提高应用性做了铺垫。     

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。     

基于粗糙集核优化的支持向量机在多组分污染气体定量分析中的研究与应用

研究基于粗糙集核优化的支持向量机(RS-SVM)在红外光谱定量中的应用。通过粗糙集分类的方法对多组分污染气体红外光谱对应的特征波长段进行核函数初始数据的优化,再将优化后的核函数带入支持向量机,从而将二维混合光谱信息投影到高维空间,再进行单种气体浓度的反演运算。通过采用LS-SVM和PCA-SVM两种典型的光谱数据处理算法作对比,对五种混合气体各组分定量分析进行比较。当光谱可分度高时,三种方法的预测值都接近标准值,平均误差接近于0.13;而当光谱可分度低时,RS-SVM的预测值比前两种更精确,且当待测种类越多时,该方法精度和运算时间的优势越显著。     

Three-class classification models of logS and logP derived by using GA–CG–SVM approach

In this investigation, three-class classification models of aqueous solubility (logS) and lipophilicity (logP) have been developed by using a support vector machine (SVM) method combined with a genetic algorithm (GA) for feature selection and a conjugate gradient method (CG) for parameter optimization. A 5-fold cross-validation and an independent test set method were used to evaluate the SVM classification models. For logS, the overall prediction accuracy is 87.1% for training set and 90.0% for test set. For logP, the overall prediction accuracy is 81.0% for training set and 82.0% for test set. In general, for both logS and logP, the prediction accuracies of three-class models are slightly lower by several percent than those of two-class models. A comparison between the performance of GA–CG–SVM models and that of GA–SVM models shows that the SVM parameter optimization has a significant impact on the quality of SVM classification model. Electronic supplementary material  The online version of this article (doi:) contains supplementary material, which is available to authorized users. Hui Zhang and Ming-Li Xiang are contributed equally.     

基于支持向量机测定水质中硝酸盐含量

针对水质中被测物硝酸盐与干扰物铁离子、铬离子紫外吸收谱线严重重叠的问题,将支持向量机应用于混合重叠光谱分析中,利用核函数将重叠的光谱数据进行高维空间变换后求得SVM回归模型,实现硝酸盐含量的光谱检测。实验结果表明:硝酸盐浓度在0.5—10mg/L范围内,所测得含量的最大相对误差为3.2%;平均回收率为100.9%,本法与传统的方法相比,要求条件较低,不需要物理或化学的分离,分析速度快,有望应用于在线监测污水中硝酸盐的含量。     

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。     

A new type SVM—projected SVM

Support vector machine (SVM), developed by Vapnik et al., is a new and promising technique for classification and regression and has been proved to be competitive with the best available learning machines in many applications. However, the classification speed of SVM is substantially slower than that of other techniques with similar generalization ability. A new type SVM named projected SVM (PSVM), which is a combination of feature, vector selection (FVS) method and linear SVM (LSVM), is proposed in present paper. In PSVM, the FVS method is first used to select a relevant subset (feature vectors, FVs) from the training data, and then both the training data and the test data are projected into the subspace constructed by FVs, and finally linear SVM (LSVM) is applied to classify the projected data. The time required by PSVM to calculate the class of new samples is proportional to the count of FVs. In most cases, the count of FVs is smaller than that of support vectors (SVs), and therefore PSVM is faster than SVM in running. Compared with other speeding-up techniques of SVM, PSVM is proved to possess not only speeding-up ability but also de-noising ability for high-noised data, and is found to be of potential use in mechanical fault pattern recognition.

     

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。     

混沌海杂波背景下的微弱信号检测混合算法

基于经验模态分解理论, 提出了一种基于粒子群算法的支持向量机预测方法. 采用总体平均经验模式分解法将混沌信号分解为若干固有模态函数和趋势分量, 将复杂的非线性信号转化为具有不同尺度特征的平稳分量. 利用粒子群算法对支持向量机的惩罚系数和核函数进行优化, 结合支持向量机建立混沌序列的单步预测模型. 从预测误差中检测淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号). 对Lorenz系统和实测IPIX雷达数据进行仿真实验, 结果表明, 该方法能够有效地从混沌背景噪声中检测出微弱目标信号, Lorenz系统得到的均方根误差0.000000339 (-102.8225 dB时)比传统支持向量机方法的均方根误差0.049 (-54.60 dB时)降低了5个数量级, 从海杂波中检测出具有谐波特性的微弱信号, 表明预测模型具有更低的门限和误差.