原文传递
基于SVM算法的花椒产地和品种的近红外光谱识别方法
| 专利名称： | 基于SVM算法的花椒产地和品种的近红外光谱识别方法 |
| 摘要： | 本发明涉及花椒产地和品种的快速无损检测领域，特别是涉及一种基于SVM算法的花椒产地和品种的近红外光谱识别领域，属于花椒产地和品种的检测领域。该方法详细地说明了如何通过SVM算法建立分类模型，对花椒属性进行定性分析。首先，对已知花椒属性的样品进行相应的处理，并对NIR仪器进行相应参数的调整；其次，对已经制备好的样品，采集它的近红外光谱图，将光谱进行预处理；然后，对光谱图进行分析计算；最后，将光谱数据作为SVM算法的输入，通过粒子群算法（PSO）确立惩罚参数c和核函数参数g的最优参数组合，从而为构建最佳的分类模型提供一种方法，也最终为实现鉴别花椒产地和品种提供一种方法。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 重庆;50 |
| 申请人： | 西南大学 |
| 发明人： | 祝诗平;吴习宇;朱洁;黄华;周胜灵;谢滨瑶;何艳 |
| 专利状态： | 有效 |
| 申请日期： | 2019-03-03T00:00:00+0800 |
| 发布日期： | 2019-04-23T00:00:00+0800 |
| 申请号： | CN201910158130.0 |
| 公开号： | CN109668859A |
| 分类号： | G01N21/359(2014.01);G;G01;G01N;G01N21 |
| 申请人地址： | 400715 重庆市北碚区天生路2号 |
| 主权项： | 1.基于SVM算法的花椒产地和品种的近红外光谱识别方法，其特征在于：根据12500~3300 cm-1波长范围内样品近红外光谱，借助结合支持向量机(SVM)算法建立基于近红外光谱的花椒产地和品种的分类模型；然后，使用粒子群算法（PSO）确立惩罚参数c和核函数参数g的最优参数组合；经过粒子群算法可以得到最优的惩罚参数和核函数参数，建立最优分类模型，然后通过比较实际样品属性与分类模型预测的样品属性，得出在SVM算法下的分类模型预测准确率。 2.根据权利要求1所述基于SVM算法的花椒产地和品种的近红外光谱识别方法，其特征在于，算法内容包括以下步骤： （1）初始化SVM算法参数，包括：惩罚参数c和核函数参数g； （2）根据支持向量机(SVM)的数学模型，通过粒子群算法（PSO）确立惩罚参数c和核函数参数g最优参数组合，其中，采用了支持向量机中最常用的径向基核函数(radial basisfunction, RBF)的方法建立模型； （3）利用支持向量机(SVM)算法建立的预测模型，导入训练集与预测集样本的数据，得出模型的预测准确率。 3.根据权利要求1所述的基于SVM算法的花椒产地和品种的近红外光谱预测模型，其特征在于，利用支持向量机(SVM)算法建立模型。 4.根据权利要求1所述的基于SVM算法的花椒产地和品种的近红外光谱预测模型，其特征在于，通过对原始花椒样品的近红外光谱曲线进行各种预处理，在效果最好的预处理下进行识别模型的建立。 5.根据权利要求1所述的基于SVM算法的花椒产地和品种的近红外光谱预测模型，其特征在于，粒子群算法（PSO）确立惩罚参数c和核函数参数g最优参数组合，设计了基于SVM算法的花椒产地和品种的近红外光谱预测模型。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
