公共文化服务平台

共 4 条记录，以下是 1-4

全选清除导出

排序方式：

基于高光谱图像技术的苹果粉质化LLE-SVM分类被引量：12: 2010年; 苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。; 赵桂林朱启兵黄敏; 关键词：局部线性嵌入非线性降维支持向量机

高光谱的有监督Isomap-SVM苹果粉质化分类被引量：4: 2011年; 苹果粉质化程度是衡量其内部品质的一个重要因素,粉质化造成苹果质量的降低以及商业价值的贬值。高光谱图像技术结合了光谱技术和图像技术的优点,能够无损检测苹果内部品质。提出了有监督等距映射(S-Isomap)和支持向量机(SVM)相结合的用于检测苹果粉质化的新分类方法。S-Isomap-SVM分类方法首先用S-Isomap对高光谱数据作非线性降维,再用SVM对降维后的数据进行分类。对于未知类别的测试样本,采用BP神经网络建模输出的方法,而后结合SVM得到对应的测试精度。这里将S-Isomap-SVM分类方法与SVM以及Isomap-SVM分类方法比较。结果表明,对高光谱数据而言,用S-Isomap-SVM得到的检测精度最高。; 赵桂林朱启兵黄敏; 关键词：非线性降维 BP神经网络

基于SVD的苹果粉质化高光谱散射图像特征提取被引量：14: 2011年; 粉质化是影响苹果等级的重要口感参数。采用高光谱散射图像进行了苹果粉质化的无损检测研究。利用奇异值分解方法对样本600～1 000nm共81个波长20mm范围内的散射图像进行奇异值分解,将获得的奇异值作为粉质化表征参数,结合偏微分最小二乘判别分析建立苹果粉质化分类模型。结果显示,对不同产地和不同储藏条件下的样本,其两分类模型(粉质化和非粉质化)的分类精度为76.1%～80.6%,优于平均值特征提取方法(75.3%～76.5%)。分析表明,奇异值分解可以有效地提取高光谱散射图像的特征,用此特征建立粉质化分类模型可以区分粉质化和非粉质化的苹果,但分类精度有待于进一步提高。; 黄敏朱启兵; 关键词：苹果 SVD

基于小波变换的高光谱散射图像特征提取被引量：1: 2011年; 高光谱散射图像的特征提取是影响模型精度的重要因素。本文对600个'Golden Delicious'苹果样本的高光谱散射图像进行分析,分别采用平均反射法和小波变换提取特征。小波变换以Danbechies小波系的Db1函数作为基函数进行1层和2层小波分解,然后选取小波低频系数的一范数作为特征值。利用Kennard-Stone算法划分样本,450个样本用于建模,150的样本用于预测。不同方法提取的特征值输入结合偏最小二乘(PLS)算法建立苹果内部品质的预测模型。结果表明1层小波变换特征提取方法与平均反射(mgan reflectance,Mean)特征提取方法相比能将硬度的预测集相关系数从0.797提高到0.821,预测集均方根误差保持不变;糖度的预测集相关系数从0.837略微提高到0.842并降低了预测集均方根误差。因此小波变换为高光谱散射图像提供了一种有效的特征提取方法。; 赵鑫黄敏朱启兵; 关键词：特征提取小波变换

全选清除导出

共1页<1>

中央高校基本科研业务费专项资金(JUSRP20913)