论文部分内容阅读
木材是我们生活中不可缺少的重要资源,随着国家的快速发展,对木材的需求量也日益增加,因此寻找一种快速、准确的木材性质检测和树种识别方法,对于提高我国木材的培育质量、遗传改良和高效利用具有十分重要的意义。支持向量机(Support Vector Machine,SVM)是一种新的机器学习方法,以VC维理论以及结构风险最小化统计学习理论为基础,根据有限的样本信息在模型的复杂程度和学习能力之间寻找最佳方案,以求获得最好的推广能力。在解决小样本、非线性、多维度的分类识别和回归预测等问题中具有非常明显的优势。本文首先详细地分析了支持向量机的原理、方法及其训练过程,深入探讨了采用径向基函数作为支持向量机的核函数时,惩罚参数C和核参数γ的选择对支持向量机分类性能的影响。并且对模型进行了改进,将智能优化算法应用于支持向量机模型,有效地提高了支持向量机的准确率和运行速度。建立了基于粒子群支持向量机的桉木木质素含量回归模型。用40个桉木近红外光谱作训练集,8个桉木近红外光谱作预测集建立模型,得到回归模型的回归系数0.970956,均方根误差为0.0021545,与传统的支持向量机回归模型和偏最小二乘回归模型进行了对比。结果表明,基于粒子群支持向量机的桉木木质素含量回归模型有更高的准确性和良好的稳定性。建立了基于智能算法的支持向量木材分类模型。对不同科的桉树和杨树、同科不同属的落叶松和马尾松、同属不同种的樟子松和马尾松建立支持向量机二分类模型,通过结果可以看出木材近红外光谱的相关性对预测结果的影响,相关性越大,则越容易出现预测误差。建立了木材多识别模型,分别使用网格搜索法、遗传算法(GA)和粒子群算法(PSO)对支持向量机模型的参数进行优化,结果表明,网格搜索法的搜索范围对参数的选取有影响,搜索范围大的参数可以建立更好的模型,从而对测试集预测准确率增加;遗传算法在进化代数少时搜索的参数较精确,测试集的预测准确率基本可达到90%以上,但用时较长,且搜索的效果不够稳定;粒子群算法对参数的搜索最优,测试集的预测准确率高达100%,且用时最短,搜索效果稳定。基于粒子群优化算法的支持向量机识别模型对木材近红外光谱具有良好的应用前景。