基于GA-SVM算法烟叶部位致香成分差异性分析

采用高效液相色谱-气相色谱-质谱联用法(HPLC-GC-MS)测定中部和下部烟叶的巨豆三烯酮、β-紫罗兰酮、氧化紫罗兰酮、茄酮等11种致香成分,应用遗传算法(GA)对筛选出的8种致香成分建立中部和下部烟叶支持向量机(SVM)分类判别模型.结果表明,中部和下部烟叶的SVM分类判别模型的建模、留一法及预报准确率分别为95.45%,89.39%和 81.25%.利用Fisher判别矢量方法考察了中部和下部烟叶的空间分布规律,分析出中部和下部烟叶致香成分中,巨豆三烯酮、β-紫罗兰酮、氧化紫罗兰酮差异显著.

基于主成分分析和支持向量机实现膝关节骨龄评估回归算法

目的通过方向梯度直方图(histogram of oriented gradient,HOG)、局部二值模式(local binary patterns,LBP)、支持向量机(support vector machine,SVM)以及主成分分析(principal component analysis,PCA)等机器学习方法构建适用于我国维吾尔族青少年骨龄评估的回归算法模型。方法采集维吾尔族12.0～<19.0岁青少年的膝关节DR摄片图像,其中男性样本275例、女性样本225例,采用PCA法对提取的HOG与LBP特征图像进行降维,再以支持向量回归(support vector regression,SVR)算法构建膝关节骨龄评估算法模型。采用随机分层抽样法分别选取男性样本215例、女性样本180例作为SVR模型训练集,并用K折交叉验证法优化模型参数。剩余样本作为独立测试集,将模型预报年龄与样本真实年龄相比,统计误差范围分别在±0.8岁、±1.0岁的准确率,同时计算平均绝对误差(mean absolute error,MAE)与均方根误差(root mean square error,RMSE)。结果男性年龄误差范围在±0.8岁及±1.0岁的准确率分别为80.67%和89.33%,MAE为0.486岁,RMSE为0.606岁;女性年龄误差范围在±0.8岁及±1.0岁的准确率分别为80.19%和90.45%,MAE为0.485岁,RMSE为0.590岁。结论基于PCA与SVM对膝关节DR摄片图像HOG及LBP特征降维建立骨龄的预报模型,具有较高的准确性。