模糊Kohonen网络在烟叶分类中的应用

对于分类问题的处理有很多经典方法,但近年来因为人们对神经网络理论及其应用的重视,使得Kohonen网络(KN)越来越受到普遍关注。该文利用模糊控制策略将模糊c-均值算法与经典的Kohonen算法有机地结合起来,使网络性能到了很大改善。

模型集群分析-随机森林方法在烟叶分类中的应用

为了解决烟叶外观质量检验和烟叶品质等级评估中主观因素影响过大的问题,首次采用模型集群分析-随机森林方法(MPA-RF)结合近红外光谱建立的烟叶采收成熟度和烤后烟叶等级划分判别模型对烟叶进行了品质分类。结果表明:MPA-RF模型对采收成熟度烟叶样本(数据集A)和不同等级烟叶样本(数据集B)的训练集分类精度分别为96.67%、99.02%,预测模型分类精度分别为100%、96.15%;MPA-RF模型对烟叶的分类准确率明显高于常用的PCA、SVM和RF分类方法。

Kohonen网络在烟叶动态分类中的应用

针对输入为高维化学指标数据的烟叶分类问题 ,提出 1种改进的 Kohonen自组织特征映射神经网络的聚类方法。在数据预处理时 ,加入了领域专家经验 ,对输入特征向量中的各个分量分配不同的分类参与度 ;用 Gauss邻域函数替代了标准 Kohonen网络的方形邻域 ;在 2个学习阶段学习率和邻域宽度采用了不同的递减函数。通过应用证明了改进后的 Kohonen网络的收敛效果和聚类精度比 K- means聚类方法和标准的 Kohonen网络都有较大的提高。

近红外光谱结合PLS-DA划分烟叶等级

为了对烟叶等级进行快速分类,采用云南曲靖地区150个烟草样品近红外光谱,结合偏最小二乘判别分析(PLS-DA),建立了烟叶等级分类模型,并对60个预测集样品进行了等级分类预测。结果表明:①训练集和预测集的预测正确率分别为100.0%(150/150)和96.7%(58/60)。②PLS-DA对烟叶等级具有良好的分类效果。该模型为烟叶等级分类提供了一种新的快速鉴别分析的方法。