为提高利用红外光谱数据鉴别中药材产地的预测模型效果, 应该选用合适的数据预处理方法和合适的算法。 针对具有3 448个特征（波长551～3 998 nm）的658条红外光谱中药材数据, 借助于支持向量机(SVM)算法, 研究了10种基于样本预处理方法（不做预处理、 最大最小归一化、 标准化、 中心化、 移动平均平滑、 SG平滑滤波、 多元散射校正、 正则化、 一阶导数和二阶导数法）与5种基于特征波长预处理方法（不做预处理、 中心化、 最大最小归一化、 标准化和正则化）的组合（共50种）对产地模型预测精度和稳定性的影响。 结果表明: 合适的数据预处理对提高模型精度是必要的; 标准化和最大最小正则化方法光谱的预处理建模效果较好, 其预测系数值约85%; 基于特征的预处理对模型预测效果改进小。 只做光谱预处理或基于特征预处理的预测稳定性值近似相等（两类方式的决定系数平均值都近64%）; 基于样本+特征的组合预处理方法中, 二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好, 其决定系数R2达到近94%; 而中心化+正则化组合处理达不到直接采用原始数据（不做数据预处理）的建模效果, 该方法预测效果最差。 该研究的方法和结论为具有高维光谱特征的药材产地鉴别和选取有效的预处理方法提供了参考, 对进一步分析药材药效和化学成份有重要的意义, 也可供其他光谱数据分析借鉴。 也为高维小样本数据建模的前期数据处理提供了思路。

搭建实验平台,把26个字母的图像传入光纤,并在输出端采集散斑图。把散斑图展开到HSV色彩空间中,单使用V分量进行分类能达到不错的分类准确率,且能缩减训练时长。在预处理后,分别使用具有不同层数卷积结构的神经网络、卷积神经网络和支持向量机(CNN+SVM)算法、SVM算法对散斑图进行分类。测试结果发现,使用4420张散斑图作为训练集,3层卷积结构的神经网络的识别准确率为88%,4层卷积结构的神经网络的识别准确率为95%,CNN+SVM算法的识别准确率为98%,而SVM算法的识别准确率达到了100%。实验结果表明,把机器学习算法应用在光信号上,同样可以对多模光纤散斑图进行分类,当图像特征相对明显时,直接使用SVM算法对光纤输出散斑进行识别,可以大大提升多模光纤输出散斑图的识别准确率。

针对相位敏感光时域反射计(φ-OTDR)分布式光纤扰动传感系统对扰动事件进行有效判别和识别的问题, 提出一种基于支持向量机(SVM)的扰动判别和扰动模式识别的方法。通过提取信号时域和频域的平均值、方差、均方差以及信号功率特征, 利用二叉树结构建立基于SVM算法的分类器, 对扰动进行判别并对扰动模式进行识别。根据传感信号的特征, 通过分类器I在对有无扰动信号进行判别的基础上, 进一步对有扰动信号利用分类器对扰动事件的模式进行识别。通过实验对所提出的方法进行验证, 对600组实验数据进行扰动判别和模式识别, 正确的扰动判别率在96%以上, 漏报率和误报率在4%以下; 正确的模式识别率均在94%以上。