本文選題：樹(shù)種識(shí)別 + 主成分分析　； 參考：《光譜學(xué)與光譜分析》2017年11期

【摘要】：為了探究一種新型高效的樹(shù)種鑒別方法,以桉木、杉木、落葉松、馬尾松和樟子松近紅外光譜數(shù)據(jù)為研究對(duì)象,分別建立了基于主成分分析和支持向量機(jī)的木材樹(shù)種定性識(shí)別模型。在主成分識(shí)別模型中,樣本光譜數(shù)據(jù)經(jīng)過(guò)預(yù)處理后繪制了其二維和三維主成分得分圖,可以看出:主成分分析得分圖能有效區(qū)分五種木材樹(shù)種,且三維得分圖比二維得分圖更能直觀、清晰展示樹(shù)種之間的差異,表明主成分分析在可視化層面上可對(duì)小樣本樹(shù)種進(jìn)行有效判別。在支持向量機(jī)識(shí)別模型中,分別建立了以遺傳算法和粒子群算法為代表的智能算法優(yōu)化支持向量機(jī)樹(shù)種識(shí)別模型,結(jié)果顯示,遺傳算法-支持向量機(jī)模型的交叉驗(yàn)證最佳判別準(zhǔn)確率為95.71%,測(cè)試集預(yù)測(cè)準(zhǔn)確率為94.29%,算法用時(shí)134.08s;粒子群算法-支持向量機(jī)模型的交叉驗(yàn)證最佳判別準(zhǔn)確率為94.29%,測(cè)試集預(yù)測(cè)準(zhǔn)確率為100.00%,算法用時(shí)19.98s,表明基于智能算法支持向量機(jī)樹(shù)種識(shí)別模型能夠?qū)崿F(xiàn)對(duì)木材樹(shù)種的有效鑒別。該研究對(duì)近紅外光譜分析技術(shù)在木材科學(xué)領(lǐng)域的應(yīng)用進(jìn)行了有益探索,為木材樹(shù)種的快速識(shí)別提供了新方法。
[Abstract]:In order to explore a new and efficient method for tree species identification, the near infrared spectra of eucalyptus, Chinese fir, larch, Masson pine and Pinus sylvestris var. mongolica were studied. Based on principal component analysis (PCA) and support vector machine (SVM), the qualitative recognition models of wood species were established. In the principal component recognition model, the two and three dimensional principal component score maps were drawn after the sample spectral data were preprocessed. It can be seen that the principal component analysis score map can effectively distinguish five wood species. The three-dimensional score map is more intuitive than the two-dimensional score map, showing the difference between tree species clearly, indicating that the principal component analysis can effectively distinguish small sample tree species on the visual level. In support vector machine (SVM) recognition model, the intelligent algorithm, represented by genetic algorithm and particle swarm optimization algorithm, is established to optimize the tree species recognition model of SVM, and the results show that, The best discriminant accuracy of genetic algorithm-support vector machine model is 95.71, the accuracy of test set prediction is 94.29, the time of algorithm is 134.08s, and the best discriminant accuracy of particle swarm optimization-support vector machine model is 94.29. The accuracy of set prediction is 100.00s and the time of the algorithm is 19.98s, which indicates that the tree species recognition model based on intelligent support vector machine can effectively identify wood species. This study provides a useful approach to the application of near infrared spectroscopy in wood science and provides a new method for the rapid identification of wood species.
【作者單位】： 北京林業(yè)大學(xué)數(shù)學(xué)系;中國(guó)林業(yè)科學(xué)研究院木材工業(yè)研究所;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(31670564)資助
【分類號(hào)】：O657.33;S781.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 祁正興;加權(quán)支持向量機(jī)分類算法及應(yīng)用[J];青海師專學(xué)報(bào).教育科學(xué);2005年06期

2 高偉平;;主成分分析在化學(xué)中的應(yīng)用及在可編程序計(jì)算器上的實(shí)現(xiàn)[J];化學(xué)工程師;1991年06期

3 任玉林，，邴春亭，逯家輝，郭曄;近紅外漫反射光譜的主成分分析[J];光譜學(xué)與光譜分析;1996年06期

4 林繼鵬;劉君華;;基于提升支持向量機(jī)的多組分氣體分析[J];化工自動(dòng)化及儀表;2007年03期

5 余般梅,石樂(lè)明,許志宏,李志良;主成分分析-紫外光譜法同時(shí)測(cè)定四種維生素B[J];分析測(cè)試通報(bào);1992年04期

6 陳文燦,崔卉,梁逸曾;一個(gè)基于診斷的穩(wěn)健主成分分析方法[J];分析科學(xué)學(xué)報(bào);1996年04期

7 張大倫;主成分分析同時(shí)測(cè)定多組分金屬離子[J];化學(xué)分析計(jì)量;1999年04期

8 陳念貽,陸文聰;支持向量機(jī)算法在化學(xué)化工中的應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2002年06期

9 張運(yùn)陶;肖盛蘭;;硫化氫系統(tǒng)分析與陽(yáng)離子結(jié)構(gòu)關(guān)系的研究[J];四川師范學(xué)院學(xué)報(bào)(自然科學(xué)版);1989年04期

10 安欣;蘇時(shí)光;王韜;徐碩;黃文江;張錄達(dá);;復(fù)合支持向量機(jī)方法及其在光譜分析中的應(yīng)用[J];光譜學(xué)與光譜分析;2007年08期

相關(guān)會(huì)議論文 前2條

1 李占潮;陳超;周喜斌;鄒小勇;;基于遺傳算法和支持向量機(jī)預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)類[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 王香鳳;武瑤;余靜;李崧;謝孟峽;;傅里葉變換紅外光譜法結(jié)合主成分分析對(duì)紅色印章印文的分類鑒別[A];第十六屆全國(guó)分子光譜學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)碩士學(xué)位論文 前8條

1 程權(quán);烏龍茶分類與品質(zhì)分析的研究[D];福州大學(xué);2014年

2 于海超;月季花的傅里葉變換紅外光譜研究[D];云南師范大學(xué);2016年

3 阮曉芳;支持向量機(jī)方法在醫(yī)學(xué)和環(huán)境化學(xué)中的應(yīng)用研究[D];蘭州大學(xué);2007年

4 戴鈺婷;支持向量機(jī)在多元校正、QSAR及化學(xué)模式識(shí)別研究中的應(yīng)用[D];上海師范大學(xué);2008年

5 王蓉;基于稀疏主成分和SVM的白酒類別的定性研究[D];武漢輕工大學(xué);2014年

6 周俊;紅外光譜結(jié)合化學(xué)計(jì)量法的回收油脂快速鑒別分析[D];暨南大學(xué);2015年

7 吳繼東;自適應(yīng)小波包特征提取支持向量機(jī)建模及光譜分析應(yīng)用[D];湖南大學(xué);2012年

8 馬喜波;支持向量機(jī)算法在有機(jī)化合物構(gòu)效關(guān)系中的應(yīng)用[D];北京化工大學(xué);2008年

本文編號(hào)：1890067