共查询到10条相似文献,搜索用时 171 毫秒
1.
基于模拟退火算法—支持向量机的储粮害虫识别分类 总被引:12,自引:2,他引:10
将模拟退火算法应用于粮虫图像识别中支持向量机分类器参数C和g的优化,并与网格搜索法优化结果进行了对比,结果表明参数优化速度提高了3.91倍,分类器的识别率提高了5.56%.应用SAA-SVM分类器对粮仓中危害严重的9类粮虫进行了自动分类,识别率达到95.56%.证实了基于SAA-SVM的分类器对粮虫进行自动分类是可行的. 相似文献
2.
3.
基于FCM离散化的粗集权重在粮虫可拓分类中的应用 总被引:2,自引:0,他引:2
粮虫的识别属于参数多、混合度大的分类问题,特征客观权重的自动确定是粮虫可拓分类中的重要环节.提出了用聚类数评价函数自适应确定聚类数目,用FCM进行聚类分析,并依据最大隶属度原则对实值特征进行离散化处理.引入粗集理论中属性重要度的概念,自动确定粮虫特征的客观权重,并对粮仓中危害严重的9类粮虫进行了可拓分类,识别率达到93%,证实了基于FCM离散化的粗集权重在粮虫可拓分类中应用的可行性. 相似文献
4.
为了提高发动机的故障识别率,设计了一种将B&B算法与广义辨别分析(GDA)相结合的多类特征融合方法。从发动机转子的振动信号中提取出频谱特征集和纹理特征集,用B&B算法删去2类特征集中信息量少的特征,并用GDA和支持向量机(SVM)分类器进行特征融合和分类识别。发动机的转子故障试验结果表明,该方法获得的融合特征包含有更多的类别信息,用于转子故障获得的识别率为98.21%,且不受分类器核参数的影响;而频谱特征、纹理特征输入SVM分类器后获得的故障识别率仅为92.86%和89.29%。该研究为发动机的故障诊断提 相似文献
5.
6.
支持向量机在黄瓜病害识别中的应用研究 总被引:4,自引:0,他引:4
探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM. 相似文献
7.
小波域马铃薯典型虫害图像特征选择与识别 总被引:3,自引:0,他引:3
为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。 相似文献
8.
《排灌机械工程学报》2017,(12)
为了提高水轮机组诊断的精确性,提出应用时间序列模糊贴近度特征提取轴心轨迹特征参数,通过改进SVM模型并引入故障分类准确性判定因子对参数化的水电机组轴心轨迹开展了智能诊断.应用改进SVM对时间序列特征引入正确率、错误分类率计算方法,从而对诊断后轴心轨迹分类准确性进行判定,由此促进运行状态设备智能诊断,提高故障诊断系统的自动诊断水平及准确率;引入多类分类支持向量机算法、分类准确度判断解决异常状态下机组轴心轨迹特征参数无法识别、识别率低的问题.通过对改进扩展时序距离时间序列贴近度度量算法的应用解决了水电机组实时轴心轨迹特征参数准确性差和实时性差的问题.该方法提高了检测精度,同时增强了人机交互性,具有重要的理论意义和实用价值. 相似文献
9.
支持向量机-近红外光谱法用于真假奶粉的判别 总被引:6,自引:0,他引:6
将基于统计学理论的支持向量机(SVM)与近红外光谱分析技术相结合,对真假奶粉进行分类判别.以50个奶粉样品作为实验材料,通过SVM建立识别真假奶粉的模型.实验中采用高斯径向基函数(RBF)为核函数,根据SVM的不同输入量调整核参数建立最佳SVM模型,对学习机的38个样品识别率可达到100%,对预测集12个奶粉样品预测率可达到100%.实验表明,应用支持向量机-近红外光谱法建立判别真假奶粉的近红外定性分析模型,为真假奶粉的判别提供一个方便快捷的分析方法. 相似文献
10.
核函数形式的选择与核函数参数值的大小是影响支持向量机的2个关键因素,传统的支持向量机分类精度低、时效性差,为了获得高精度、高时效性的支持向量机,从影响支持向量机的核函数与核函数参数值2个关键因素着手,提出了基于变尺度混沌粒子群优化(MSCPSO)混合核SVM参数的分类器。将此分类模型用于预测生菜叶片的生育期,以及预测3个生育期的生菜叶片氮素水平,预测精度分别达到91.51%、85.38%、82.59%和81.26%。与传统的粒子群优化混合核SVM的分类器和变尺度混沌粒子群优化RBF_SVM分类器相比,提出的分类器模型分类精度高、时效性好。 相似文献