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。     

基于数据融合的风电机组噪声预测

根据风电机组噪声信号检测复杂的情况,研究风电机组非声学参数的信息熵特征,对机组噪声进行多源数据融合预测。分析基于信息熵的非声学参数的特征提取方法,并对传统的基于遗传算法的支持向量机回归(GA-SVR)的缺陷提出改进,结合实际应用的非声学参数的信息熵特点平衡遗传算法(GA)的终止条件。通过统计分析完成了输入变量的筛选,去除了对预测影响较大的共线性因素,并实现了输入降维提高预测精度和速率。最后应用数据的信息熵特征,训练改进的GA-SVR建立最终的多源数据特征级融合预测模型。通过对比表明基于多源数据融合的预测方法精度最高,预测结果的相对误差平均值为0.7757%,具有实际可行性。     

复合支持向量机方法及其在光谱分析中的应用

SVC和SVR是支持向量机研究的两个主要问题。文章把两种建模方法相结合,先由SVC模型判别分类,后由各类的局部SVR模型进行定量分析,提出了复合支持向量机(CSVM)方法。根据71个试验小区的水稻冠层高光谱与叶片含氮量建立定量分析模型,考证了CSVM算法。基于模拟研究的思想,随机划分建模集和预测集,比例为55∶16。经过5次划分试验,复合支持向量机方法建模对叶片含氮量的预测值与凯氏定氮实际值之间的平均相关系数为0.89,平均绝对误差为0.088;而传统的支持向量机方法得到的平均相关系数为0.87,平均绝对误差为0.091。由此可见,复合支持向量机方法相对于传统的支持向量机方法预测精度有所提高。文章研究方法的提出为化学计量学定量分析研究给出了新的思路。     

结合纹理因子和地形因子的森林蓄积量多光谱估测模型

森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标。传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求。机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度。以鹫峰林场森林为研究对象, 综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现。旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度。以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测。以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力。研究结果表明：利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度。以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1。RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法。     

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。     

工件有到达时间及可拒绝下的同类平行机排序问题的近似算法

本文研究工件有到达时间且可拒绝下的同类平行机排序问题。在该问题中, 给定一个待加工工件集, 每个工件在到达之后, 可以被选择安排到$m$台同类平行机器中的某一台机器上进行加工, 也可以被选择拒绝加工, 但需支付一定的拒绝惩罚费用。目标函数是最小化接受工件集的最大完工时间与拒绝工件集的总拒绝费用之和。当$m$为固定常数时, 设计了一个伪多项式时间动态规划精确算法; 当$m$为任意输入时, 设计了一个近似算法, 当接受工件个数大于$(m-1)$时, 该算法近似比为3, 当接受工件个数小于$(m-1)$时, 该算法近似比为$(2+\rho)$, 其中$\rho$为机器加工速度最大值和最小值的比值。最后通过算例演示了算法的运行。     

数珠融合促进学生多元发展——“两位数乘两位数”教学设计与思考

<正>【教学内容】《珠心算》第六册第50～53页“两位数乘两位数”。【教学目标】一、利用已有知识,理解两位数乘两位数的算理,学会单积不满两位时用0占位的拨珠方法,能正确熟练地进行计算,形成相应的珠算技能,部分学生能进行心算。     

浅谈珠算教学与训练方法

<正>珠算是中国劳动人民智慧的结晶,在当今电算化时代,算盘仍是某些经济核算工作中必不可少的工具之一。珠算还是中职、高职会计专业的一门基础课,是学生毕业上岗前要掌握好的一门业务技术。因此,作为一名珠算教师,必须要根据这门课程独特的理论体系来确定切合实际的教学内容和教学方法。珠算从表面上看很简单,但真正做到教师教得活,学生学得好,还需要从教学实践中不断总结经验,     

基于LSSVM和RFID的智能门禁身份认证系统设计

针对目前已有的基于RFID的身份识别系统,往往仅从系统角度来设计系统,没有和计算机视觉技术结合,从而无法进一步提高安全性能。为了解决此问题,文中设计了一种基于LSSVM(Least Square Support Vector Machine, LSSVM)和RFID(Radio Frequency Identification, RFID)的智能门禁身份认证系统。首先,设计了系统总体框架并描述了身份认证原理。然后,对系统的RFID子系统,微处理器和接口均进行了详细设计和描述,在此基础上,将计算机视觉技术加入到识别过程中,采用多层RBM组成的深度神经网络对人脸进行自动特征提取,通过比较差异算法训练深度神经网络,最后,根据RFID标签和提出的人脸特征,采用多个LSSVM进行人脸识别,并将投票结果作为最终识别结果。通过部署实验进行测试,结果证明文中设计的系统能实时有效地对智能门禁进行身份认证,与其它方法相比,具有识别率高和识别效率高的优点,具有较大的优越性。