[发明专利]一种基于边界点的抗噪支持向量机的水蜜桃品质分级的方法

权利要求书

1.一种基于边界点的抗噪支持向量机的水蜜桃品质分级方法，其特征包括如下步骤：

(1)采集n个不同品质等级的水蜜桃可见/近红外光谱数据，并对可见/近红外光谱数据进行预处理和PCA特征提取，得到不同品质等级的水蜜桃可见/近红外光谱样本集；

(2)将不同品质等级的水蜜桃可见/近红外光谱样本集两两组合，建立组水蜜桃可见/近红外光谱训练集；

(3)将上述组水蜜桃可见/近红外光谱训练集输入到基于边界点的抗噪支持向量机中进行训练，得到个水蜜桃品质等级分类器；

(4)使用水蜜桃品质等级分类器对待分级的水蜜桃样本进行检测；

上述步骤(3)所述的水蜜桃品质等级分类器的构建步骤如下：

(31)在每组水蜜桃可见/近红外光谱训练集中的两类品质等级的水蜜桃可见/近红外光谱样本集X₁和X₂上分别使用支持向量域描述(support vector data description,SVDD)算法得到两类样本集在特征空间下的最小球形空间闭区域的球心c₁和c₂，以及分布在两个最小球形空间闭区域上的样本点集合Z₁和Z₂，并设置X₁和X₂在特征空间的边界点集B₁和B₂的初始值分别为Z₁和Z₂；

(32)在X₁中计算每个样本x_1,i到球心c₁在特征空间中的欧氏距离d_i：

d_i＝||φ(x_1,i)-φ(c₁)||²， (1)

其中x_1,i满足x_1,i∈X₁且φ()表示样本从原始空间到核空间的映射函数，

在X₂计算每个样本x_2,i到球心c₂在特征空间中的欧氏距离e_i：

e_i＝||φ(x_2,i)-φ(c₂)||²， (2)

其中x_2,i满足x_2,i∈X₂且

(33)根据d_i值降序排列X₁中的样本x_1,i，其中x_1,i满足x_1,i∈X₁且依次将样本x_1,i代入式(3)求解向量μ，随即将x_1,i连同得到的μ值代入式(4)更新边界点集B₁，这一过程直至遍历X₁中所有满足条件的样本，

其中|B₁|表示B₁中样本的个数,阈值ε为一正常数；

根据e_i值降序排列X₂中的样本x_2,i，其中x_2,i满足x_2,i∈X₂且依次将样本x_2,i代入式(5)求解向量λ，随即将x_2,i连同得到的λ值代入式(6)更新边界点集B₂，这一过程直至遍历X₂中所有满足条件的样本，

其中|B₂|表示B₂中样本的个数；

(34)计算X₁中边界点集B₁中各边界点的权重α_i：

计算X₂中边界点集B₂中各边界点的权重β_i：

(35)将B₁集中权重α_i平方值小于阈值δ的样本剔除出B₁集：

其中阈值δ为一正常数，

将B₂集中权重β_i平方值小于阈值δ的样本剔除出B₂集：

其中

(36)将步骤(35)得到的B₁和B₂集连同其样本的类别标签代入中位数损失函数支持向量机：

其中w为权向量，C为惩罚参数，为松弛向量，y_i∈{+1,-1}分别表示两类品质等级水蜜桃可见/近红外光谱样本的类别标签，b为分类超平面的偏移量，τ为一个在[0,1]之间的实数；

引入拉格朗日函数,上式可以转换成如下的二次规划形式：

其中,γ和ν是拉格朗日系数；

求解式(11)和(12)式可得w和b最优解w^*，b^*并得到基于边界点的抗噪支持向量机的水蜜桃品质等级分类器：

f(x)＝sign(1-(w^*·φ(x)+b^*))， (13)

其中sign()为符号函数；

上述步骤(4)所述的使用水蜜桃品质等级分类器对待分级的水蜜桃样本进行检测，具体步骤如下：

(41)获取待检测的水蜜桃可见/近红外光谱数据；

(42)对获取的可见/近红外光谱数据进行预处理和使用PCA方法进行特征提取；

(43)将提取到的特征数据输入到步骤(3)所述的个水蜜桃品质等级分类器中，得到个判别结果；

(44)采用投票机制统计个判别结果，以所有结果中占最多的等级作为待检水蜜桃的品质等级。