共查询到18条相似文献，搜索用时 203 毫秒
1.
《江苏农业科学》2014,(5)
为了保证人们对蔬菜的安全食用,研究了蔬菜叶片农药残留的无损检测方法。标准营养液无土栽培生菜样本,在成熟期按4种不同浓度,分别为1.250、0.830、0.600、0.375 mL/L,将氰戊菊酯农药雾状均匀喷洒至生菜叶片上,8 h后采集生菜叶片高光谱数据。采用标准归一化(SNV)算法对原始光谱进行预处理,分别利用基于非监督特征提取方法主成分分析(PCA)、局部保留投影(LPP)与基于监督特征提取方法线性判别分析(LDA)、局部保留投影(SLPP)对降噪后的光谱数据进行特征提取,统一选用支持向量机(SVM)作为分类器。利用相同的训练样本与测试样本进行分类试验,对生菜叶片农药残留浓度分类鉴别的结果为,PCA-SVM分类正确率为82.14%,LPP-SVM分类正确率为85.71%,LDA-SVM分类正确率为89.29%,SLPP-SVM分类正确率达到92.86%。结果表明,与非监督特征提取算法相比,监督特征提取算法由于充分利用了样本的类别特性,使得分类器对降维后的数据更加敏感,分类精度更高,其中SLPP-SVM的分类效果最好。 相似文献
2.
一种改进的支持向量机集成分类算法 总被引：2，自引：0，他引：2
为了更好地改进集成分类器的性能,提出了一种基于反馈学习的支持向量机Bagging集成分类算法.该算法在对子分类器的训练中,引入反馈学习的思想,首先对每个训练得到的子分类器进行测试,找到被错分的样本,把这些样本添加到训练样本集中,重新进行训练、测试,直到没有新的被错分的样本出现为止,最后采用多数投票策略对得到的各子分类器进行组合.仿真实验结果表明,该算法可通过提高各分类器的分类能力改进集成学习器的性能. 相似文献
3.
提出一种基于训练集分解的不平衡分类算法,该算法使用能输出后验概率的支持向量机作为分类器,使用基于测度层次信息源合并规则实现分类器的集成.在4个不同领域的不平衡数据集上的仿真实验表明:该算法有效提高分类器对正类样本的正确率,同时尽量减少对负类样本的误判.实验结果验证集成学习算法处理不平衡分类问题的有效性. 相似文献
4.
《油气储运》2021,(5)
对油气管道附近振源的快速识别是保障管道安全的重要技术手段。现有的单一机器学习算法在不同运用场景所反映的监测性能差异较大,且不同学习算法在分类识别上又具有互补性,提出了基于BP-SVM融合器分类算法。该算法基于φ-OTDR系统分别采集了人工敲击、车辆通行、机械施工及火车通行4种振动源的振动信号,构建了四维度特征空间,作为机器学习的特征向量。将该算法应用于国家管网集团华北公司汉沽—武清段成品油管道进行现场振动信号识别,并对BP神经网络分类器、SVM分类器以及基于BP-SVM融合分类器的测试进行对比,结果表明:BP神经网络分类器、SVM分类器及BP-SVM融合分类器的识别率分别为75.2%、68.5%、81.4%,融合分类器性能明显优于单个分类器。 相似文献
5.
[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。 相似文献
6.
[目的]研究基于ACO-SVM的粮虫特征提取,探讨粮虫特征提取的可行性。[方法]通过分析储粮害虫图像识别系统中的1个关键环节——特征提取,提出把支持向量机(Support vector machine,简称SVM)算法中交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的1个重要因子,将蚁群优化算法(Ant Colony Optimization,简称ACO)应用于粮虫特征的自动提取。[结果]该算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95%以上。[结论]该研究表明蚁群优化算法在粮虫特征提取中的应用是可行的。 相似文献
7.
针对实木板材表面缺陷的复杂性与随机性,提出了一种快速、准确的识别方法。首先,对实木板材表面图像进行3级双树复小波分解,提取低频子带、高频子带、原图像的均值、标准差和熵,共40维特征向量;然后,运用粒子群算法(PSO)优选出20个关键特征;最后,采用压缩感知理论将优选后的特征向量作为样本矩阵列,构建训练样本数据字典,通过最小残差完成缺陷识别。对4类柞木样本进行了仿真实验,活结、死结、虫眼、裂纹的分类正确率分别为93.3%、86.7%、100%和93.3%,结果表明:双树复小波良好的方向性能够表达实木板材表面复杂的信息;基于粒子群算法的特征选择能够提高分类效率;压缩感知分类器与传统分类器相比,具有结构简单、分类精度高的特点。 相似文献
8.
针对多肉植物种类多，类内差异大、类间差异小，数据难收集，导致传统分类算法不能有效解决多肉植物图像分类的问题，提出一种基于对比学习的多肉植物图像分类网络CL＿ConvNeXt。该网络以ConvNeXt为基础结构引入对比学习思想，在网络中间层添加非线性投影层（Projection head）作为辅助分类器来帮助模型对浅层网络进行特征提取；在一个批处理中通过数据增强来构造正样本，将剩余样本看作负样本；将交叉熵损失函数和对比损失函数进行加权计算，重新设计新的损失函数计算方法，实现单阶段模型训练。训练时采用迁移学习将预训练权重迁移到模型中来提高模型训练时的收敛速度，通过优化各种策略和参数来进一步提升模型的识别准确率。结果表明，在自制的190类多肉植物数据集中，在使用相同训练策略和环境配置的情况下，最终模型CL＿ConvNeXt对多肉植物图像分类识别准确率达到了91.79%，较原ConvNeXt模型结构的识别准确率提升了12.24个百分点，对解决多肉植物图像分类识别问题有较好的效果。 相似文献
9.
基于Android手机的树木叶片识别系统 总被引：1，自引：0，他引：1
为了准确高效地识别树木叶片,开发了一款基于Android操作平台的树木叶片设别系统.该系统提取13种树木叶片特征描述子,选择支持向量机作为分类器.该系统包括图像获取、图像处理、特征提取、分类识别和结果展示5个模块.选取来自15个树种的1 500片树叶进行了试验,结果表明,该系统的平均识别率可以达到94.44％,优于BP神经网络的91.56％,达到了令人满意的效果.该系统特征描述子的筛选、提取以及分类器算法还可以进一步优化,以更好地满足用户需求. 相似文献
10.
牛乳体细胞的分类计数是判断奶牛乳腺炎及牛奶质量的重要指标。为了提高牛乳体细胞的识别率,提出了基于二分法与BP神经网络结合的牛乳体细胞识别算法,对4类牛乳体细胞进行图像特征提取,选择了3类经过特征选择的几何特征和1类通过局部二进制模式(local binary pattern,LBP)描述的纹理特征,并将多级BP神经网络分类器结构应用到分类识别中。实验证明,树形结构的分类器预测效果理想,进行三次二分类后的识别率达到了95.76%。 相似文献
11.
电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。 相似文献
12.
提出了利用基于邻域粗糙集的支持向量机算法实现污水处理过程中出现故障的自动诊断.首先,对污水处理厂收集的监控数据进行预处理;其次,利用邻域粗糙集模型中对象邻域的上、下近似,寻找2种类别的交界部分,从而减小问题规模;然后,通过对交界部分样本进行混淆度分析,剔除异常样本或噪声数据;同时对样本集进行属性约简与加权处理;最后,在约简集上进行支持向量机的训练与测试.将试验结果与传统支持向量机方法的结果进行比较,表明该方法不仅提高了故障诊断的效率,而且降低了问题的复杂程度,同时还保持了较好的推广性能. 相似文献
13.
14.
最小二乘支持向量机方法在农用柴油机故障诊断中的应用研究 总被引：1，自引：0，他引：1
采用最小二乘支持向量机法对农用柴油机故障进行计算机仿真诊断。结果表明：该方法能够提高故障诊断的准确性,减少误诊。 相似文献
15.
研究了旋转机械中最具代表性的转子系统,讨论了转子不平衡、不对中、转子弯曲、油膜涡动、油膜振荡等常见故障发生和发展的机理,对故障机理及其在工程实践中的运用进行了初步探讨。 相似文献
16.
17.
温室无线传感器网络中故障节点会产生并传输错误数据,不仅消耗节点的能量和带宽,而且导致错误决策。针对此问题研究一种准确判断节点故障状态的方法。采用时序分析和遗传BP神经网络,建立基于时间序列和神经网络的传感器节点故障诊断系统,通过对传感器样本数据进行时序分析,提取模型参数作为特征向量,并以此对遗传BP神经网络进行网络训练,实现传感器节点故障的诊断。试验结果表明：该方法能够有效地识别传感器节点故障类型,15组测试样本的输出矢量与同类故障基准矢量的欧式距离和为0.007,识别正确率为100%。 相似文献
18.
基于机器学习的落叶松毛虫发生面积预测模型 总被引：2，自引：0，他引：2
落叶松毛虫为我国主要害虫之一,其发生严重影响了我国林木生长和森林资源的安全。因此,及时准确地对落叶松毛虫虫害发生趋势进行预测、预报十分必要。虫害的发生受到多种因素的影响,存在复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致其预测效果不够理想。本研究选取当年3月中旬的总蒸发量、上年7月上旬的平均最低气温、当年3月下旬的极端最低气温以及上年11月上旬的平均风速作为自变量,虫害发生面积作为因变量,利用多层前馈神经网络(MLFN)、广义回归神经网络(GRNN)以及支持向量机(SVM)3种机器学习算法对落叶松毛虫发生面积进行预测,并将3种方法的预测结果与传统多元线性回归预测方法相比较。结果表明,机器学习的预测效果均在很大程度上优于多元线性回归预测,并且在3种机器学习算法中,SVM模型的预测效果最好,在30%容忍度下其预测精度可以达到100%,并且该模型还有较低的RMSE值(0.077)和较短的训练时间(1 s)。这表明,机器学习可以应用于生产实际并有效预测虫害发生面积,尤其是SVM模型可以作为一种很好的虫害发生预测手段。 相似文献