燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
为了提高复杂水环境中性激素的分类识别率,提出一种三维荧光光谱法结合改进的鸡群算法(ICSO)优化支持向量机(SVM)的模型。利用FS920荧光光谱仪对雌酮、雌二醇和雌三醇3种典型性激素的单组分溶液及混合溶液进行荧光特性分析,并在光谱重叠严重的前提下建立ICSO-SVM模型对3种性激素进行分类鉴别。ICSO-SVM模型不仅训练过程稳定,收敛速度快,而且测试集的性激素识别率为100%,均优于PSO-SVM模型。结果表明,三维荧光光谱法结合ICSO-SVM模型是一种有效的性激素检测方法。
光谱学 支持向量机(SVM) 改进鸡群算法 性激素检测 光学学报
2021, 41(10): 1030004
1 上海理工大学 材料科学与工程学院，上海 200093
2 上海师范大学 数理学院，上海 200234
3 中国科学院上海技术物理研究所 红外物理国家重点实验室，上海 200083
4 上海节能镀膜玻璃工程技术研究中心，上海 200083
5 上海科技大学 物质学院，上海 200120
6 复旦大学 信息科学与工程学院，上海 200433
采用近红外光谱法对转基因油/非转基因油的混合溶液进行研究。对采集到的原始光谱分别进行多元散射校正（MSC）、一阶导数（FD）、移动窗口平滑（MWS）、Savitzky-Golay平滑一阶导数（SG1）预处理。研究比较了不同预处理方法对转基因油/非转基因油支持向量机（SVM）建模判别分析的影响，其中MSC预处理后的模型预测效果最好，准确率为91.6%。为了进一步提高模型的精度与稳定性，采用连续投影算法（SPA）对全波长进行特征波长筛选。利用筛选后的15个特征波长输入到SVM中，预测准确率提高到98.3%。实验结果表明，采用近红外光谱法，可以实现对转基因油/非转基因油快速检测，不仅适用于纯转基因油的鉴别，也适用于非转基因油中掺入转基因油的鉴别。
转基因油 近红外光谱 支持向量机（SVM） transgenic oil near infrared spectroscopy support vector machine（SVM）
1 南京林业大学信息科学技术学院, 江苏 南京 210037
2 南京林业大学南方现代林业协同创新中心, 江苏 南京 210037
采用地面激光扫描获取树木的光探测和测距数据,并将其作为遥感数据源,选取水杉、棕榈、无患子、竹子和橡胶树为研究对象,提出了三类有效特征:树木相对聚类特征、点云分布特征和树木表观特征,列举了68个特征参数。采用支持向量机在交叉验证中对训练数据集进行检验计算,确定最优的特征参数组,最终在测试数据集中进行树种分类。研究结果表明:基于树木相对聚类特征的最优特征参数组进行树种分类的平均分类精度较低(45%);基于点云分布特征的最优特征参数组进行树种分类的平均分类精度有所增加(58.8%);基于树木表观特征的最优特征参数组进行树种分类的平均分类精度较高(63.8%);基于三类特征的13个最优特征参数进行树种分类的平均分类精度最高(87.5%)。此外,由于水杉与其他树种形态差异较为明显,在分类中表现突出,错判率最低(6.5%)。所提方法具有较高的可行性,为获得更准确的森林树种分布提供了强有力的工具。
遥感 激光雷达 树种识别 支持向量机(SVM) 交叉验证 组合特征参数
燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
基于荧光检测机理,将平行因子与支持向量机(SVM)算法相结合,对多环芳烃中的苊、芴和萘进行检测。将荧光光谱数据预处理后作为训练集,输入到粒子群优化的SVM算法中建立分类模型;利用核一致性分析、残差平方和分析以及迭代次数分析方法确定成分数;采用得到的最佳成分数进行平行因子分解,将得到的发射载荷矩阵作为测试集输入到SVM的分类模型中,分类正确率为100%,最终得到苊、芴和萘的回收率分别为100.45%±6.25%、100.10%±6.39%和95.07%±7.46%。所用算法避免了人为操作增加的时间复杂性及主观因素造成的误差,为多环芳烃的荧光检测提供了一种新方法。
光谱学 平行因子 支持向量机(SVM) 多环芳烃检测
1 南京信息工程大学气象灾害预测与评估协同创新中心, 江苏 南京 210044
2 南京信息工程大学地理科学学院, 江苏 南京 210044
3 南京信息工程大学遥感与测绘工程学院, 江苏 南京 210044
4 南京大学地理与海洋科学学院, 江苏 南京 210023
土壤剖面是土壤发生学研究的核心, 但过去几十年以来研究土壤剖面的技术并没有发生质的变化。 成像光谱技术可以提供高空间、 高光谱分辨率的土壤剖面数据, 能够弥补反射光谱技术采样深度间隔较大的不足, 用于定量研究土壤属性连续深度变化。 以室内采集的土壤剖面成像光谱数据为研究对象, 采用支持向量机方法进行光谱数据主成分分类, 探讨成像光谱数据用于剖面发生层划分的可行性并分析影响因素。 研究中首先定性分析各发生层平均光谱曲线形态特征, 然后通过分析剖面光谱数据主成分深度变化特征及其散点分布情况, 探讨其用于剖面发生层划分的可行性; 最后进行1 000次随机划分数据集并建模、 预测以减小误差, 定量证明成像光谱数据用于土壤发生层划分的可行性, 并通过样本分类错误频率来分析影响分类精度的因素。 研究结果表明, 受成土过程影响剖面内各发生层平均光谱曲线特征存在差异。 成像光谱数据的主成分可以定量呈现土壤剖面深度方向上属性的连续变化及样本散点分布的集聚特征, 能较好反映发生层之间的差异性, 可以用于发生层划分。 建模预测结果表明发生层的预测精度平均值达到93.08%。 同时发现, 光谱主成分分布相似区域的样本及位于发生层过渡区域的样本分类错误率较高。 该研究为利用成像光谱技术进行土壤剖面发生层划分提供了理论依据, 为下一步进行剖面发生层制图奠定了技术基础。
土壤剖面 发生层 成像光谱 支持向量机（SVM） Soil profile Horizon Imaging spectroscopy Support vector machine (SVM)
1 安徽省农业生态大数据工程实验室 安徽大学, 安徽 合肥 230601
2 国家农业信息化工程技术研究中心, 北京 100097
3 南京信息工程大学 地理与遥感学院, 江苏 南京 210044
病害胁迫是造成小麦减产及危及世界粮食安全的主要因素之一。如何准确区分相似病害并科学诊断病害严重度, 成为国内外研究热点。文中针对中国冬小麦种植区常见的两种真菌疾病——白粉病和条锈病, 采用高光谱成像系统获取两种病害侵染的小麦叶片图谱合一数据, 通过主成分分析法对影像数据进行降维、密度分割法对病害面积进行分割后, 得到识别病斑准确率达到97%; 进一步分析侵染白粉病和条锈病的叶片病斑区域的光谱特征差异, 选择第二主成分图像筛选两种病害的敏感波段, 得到识别白粉病的敏感波段为519、643、696、764、795、813 nm, 条锈病的敏感波段为494、630、637、698、755、805 nm。最后对筛选出的敏感波段建立白粉病和条锈病支持向量机(SVM)判别模型并验证, 得到两种病害的区分精度为92%。综上, 利用高光谱图像协同解析可在叶片尺度实现小麦白粉病和条锈病的有效判别, 这为开发病害区分仪器提供了重要的理论基础。
高光谱 主成分分析(PCA) 支持向量机(SVM) 密度分割 病害判别 hyperspectra principal component analysis support vector machine density slice disease discrimination 红外与激光工程
2017, 46(1): 0138004
中国海洋大学光学光电子实验室, 山东 青岛 266100
针对钢铁合金样品中存在基体效应复杂的问题, 通过优化支持向量机模型的输入特征, 建立多元素变量的定量分析模型, 预测钢铁合金样品中Cr和Ni元素的含量。 研究结果表明, 分别以特征谱线的峰值强度和积分强度作为支持向量机模型的输入时, 积分强度因为包含了谱线的谱宽和形状信息, 模型训练效果较好; 相比于单一元素谱线的特征信息, 采用多元素的多条谱线信息输入支持向量机模型时, 模型训练效果较好, 这是由于多种谱线信息的输入可以有效校正基体效应的影响。 在此基础上, 通过归一化变量将内标法与多变量定标方法有效结合, 不仅可以减小实验测量误差还能有效校正基体效应的影响, 而且有效提高了模型的重复率和准确率。 归一化变量作为支持向量机模型的输入变量, 对待测样品S1和S2中Cr元素含量预测的相对误差为6.58%和1.12%, 对Ni元素浓度预测的相对误差为13.4%和4.71%。 通过归一化变量将内标法与多变量定标方法有效结合, 可以充分发挥SVM算法的非线性学习优势, 为LIBS技术应用于复杂样品定量定标分析提供理论基础。
支持向量机(SVM) 激光诱导击穿光谱 基体效应 钢铁合金 Support vector machine (SVM) Laser induced breakdown spectroscopy Matrix effect Steel Alloy 光谱学与光谱分析
2016, 36(7): 2244
河北工业大学 控制科学与工程学院, 天津 300130
针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题, 提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化, 利用基于样本区域空间位置信息的空间权重函数调节分类器系数, 使分类器学习到更多负样本和未破坏的正样本, 从而增强学习模型的判别力。然后, 在检测区域利用Newton方法完成迭代处理, 求取分类器最大响应位置及其目标尺度信息。最后, 对最大响应位置的目标进行置信度比较, 训练在线支持向量机(SVM)分类器, 以便在跟踪失败的情况下, 重新检测到目标而实现长期跟踪。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性, 并与30种其他跟踪方法进行了对比。结果表明: 本文提出的算法跟踪精度为0.813, 成功率为0.629, 排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下, 本文方法均具有较强的鲁棒性。
核相关滤波器 长期目标跟踪 空间正则化 支持向量机(SVM) 在线SVM分类器 kernelized correlation filter long-term object tracking spatial regularization Support Vector Machine (SVM) online SVM classifier
1 江南大学 数字媒体学院, 江苏 无锡 214122
2 无锡环境科学与工程研究中心, 江苏 无锡 214063
为获得具有模糊规则自适应约简性能和较好的泛化性能的TSK分类器, 本文提出了一种结合模糊(C+P)均值聚类(FCPM)算法和SP-V-支持向量机(SVM)分类算法来构建TSK(Takagi-Sugeno-Kang)分类器的方法。该方法首先用FCPM聚类算法对训练数据进行聚类; 然后根据聚类结果确定TSK分类器的模糊规则前件中的高斯隶属度函数的中心和宽度参数; 最后采用成组稀疏约束SP-V-SVM算法对模糊规则后件参数进行学习, 该算法不仅改善了系统的泛化性能, 还使系统具有模糊规则自适应约简功能, 使得系统更为紧凑。与相关算法在UCI和IDA标准数据集分类实验中的模糊规则数和分类性能对比表明：用提出的分类算法所构造的TSK分类器不仅具有较好的分类性能, 而且模糊规则数少, 有利于构建更为紧凑的模糊分类系统。
TSK分类器 模糊规则 规则约简 模糊(C+P)均值聚类(FCPM) SP-V-支持向量机(SVM) TSK(Takagi-Sugeno-Kang) classifier fuzzy rule rule deduction Fuzzy (C+P) Means (FCPM)clustering SP-V- Support Vector Machine (SP-V-SVM)
1 燕山大学 信息科学与工程学院， 河北 秦皇岛 066004
2 河北省特种光纤与光纤传感重点实验室， 河北 秦皇岛 066004
提出了一种基于非参数特征提取的早期森林火灾烟雾检测方法。采用双背景模型进行运动区域检测，得到可疑烟雾区域。再利用早期火灾烟雾颜色特征和运动特性对提取的可疑运动区域进行颜色判别，对增长区域以及上升区域进行检测，排除部分干扰目标。根据提出的非参数特征提取法，计算并科学地选取可疑区域的特征量，将其输入训练好的支持向量机(SVM)进行烟雾判别。对多段视频进行测试表明，该方法能适用于复杂多变的野外环境，排除干扰，有效地检测出早期林火烟雾。
信息光学 烟雾检测 运动区域检测 特征提取 双背景模型 支持向量机(SVM) information optics smoke detection motion area detection feature extraction dual background modeling SVM(Support Vector Machine)
