基于支持向量机的多光谱成像稻谷品种鉴别

为解决稻谷品种的快速无损鉴别问题,应用多光谱图像采集设备（VideometerLab）获取了5个品种稻谷共250个试验样本在405-970 nm波长范围内的多光谱图像,提取各品种稻谷在不同波长下的光谱反射率和图像特征（面积,宽长比,色差等）作为稻谷品种鉴别的特征变量,基于最小二乘支持向量机（least-square-support vector machine,LS-SVM）建立鉴别模型,通过粒子群寻优（particle swarm optimization,PSO）算法搜索支持向量机的最优参数。将250个稻谷分为建模集（200个样本）和测试集（50个样本）分别进行试验,结果表明,采用该文的建模方法结合稻谷光谱特征和图像特征对预测集稻谷品种鉴别的正确率均在90%以上,高于对比的其他方法,该研究成果为稻谷品种的快速无损鉴别提供了一种方法。

基于偏最小二乘投影的可见/近红外光谱猪肉综合品质分类

针对全波段光谱技术的生鲜猪肉综合品质快速无损分类存在光谱数据量大、样本数量较少时分类准确率较低等缺点。该文提出了一种基于偏最小二乘(partial least squares,PLS)投影分析算法和支持向量机的生鲜猪肉综合品质分类器。利用基于偏最小二乘投影分析算法对全波段光谱数据进行数据降维,选取了13个特征波长。利用粒子群优化算法优化支持向量机惩罚参数和径向基核函数参数,优化后二者最优为4.939和0.01。利用选取的特征波长和优化后的参数建立了生鲜猪肉综合品质支持向量分类器。研究结果表明,分类器对训练集中白肌肉(pale,soft and exudative,PSE)、正常肉(reddish-pink,firm and non-exudative,RFN)和黑干肉(dark,firm and dry,DFD)的回判识别率分别为为88.46%、94.11%和92.31%;测试集中PSE、RFN和DFD预测正确率分别为84.62%、94.11%和84.62%。该分类器满足模型简单、预测准确率高等优点,为生鲜猪肉综合品质在线分级提供参考。

基于支持向量机的大规模试卷识别方法

试卷识别是智能组卷系统中数据库建立的基础,如何正确有效地识别出试卷中的题干部分并将之入库是一个尤为关键的问题.提出了基于SVM(support vector machine,支持向量机)的大规模试卷识别方法,该方法有效解决了进行题干识别之前大量人工预处理工作的问题.根据SVM原理,建立一个超平面,将试题文本分为两类——题序号和题干,并以题序号作为各题的起止点,进行试题识别.大量的实验显示,该方法具有可行性、有效性和适应性.经测试,识别率达100%.

自学考试支持系统存在的主要问题及其对策

自学考试支持系统是促进、推动自学考试发展的各种社会要素的总和。目前,不论内部支持系统,还是外部支持系统,不论硬支持系统,还是软支持系统都存着一些问题,因此,需要从健全法规政策、加大经费投入力度、推进自考专业化、建立全国性自考助学网络等方面进行优化。