[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

摘要

本发明公开了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，其步骤如下：(1)采集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；(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，建立多组水蜜桃可见/近红外光谱训练集；(3)使用基于边界点的抗噪支持向量机对训练集进行训练，得到多个水蜜桃品质等级分类器；(4)利用水蜜桃品质等级分类器对待分级的水蜜桃可见/近红外光谱进行检测。本发明使用基于边界点的抗噪支持向量机对水蜜桃的可见/近红外光谱进行检测，具有检测速度快、抗噪能力强、分类准确性高等优点，可实现在噪声检测环境下对水蜜桃品质等级分级。

主权项

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xi到球心c1在特征空间中的欧氏距离di：di＝||φ(xi)‑φ(c1)||2， (1)其中xi满足xi∈X1且表示样本从原始空间到核空间的映射函数，在X2计算每个样本点xi到球心c2在特征空间中的欧氏距离ei：ei＝||φ(xi)‑φ(c2)||2；  (2)其中xi满足xi∈X2且(33)根据di值降序排列X1中的样本xi，其中xi满足xi∈X1且依次将样本xi代入式(3)求解向量μ，随即将xi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，minμ||φ(xi)-Σt=1|B1|μi,tφ(xt)||2,]]>s.t.xt∈B1,0≤μi,t≤1,Σt=1|B1|μi,t=1,---(3)]]>其中|B1|表示B1中样本的个数,阈值ε为一正常数；根据ei值降序排列X2中的样本点xi，其中xi满足xi∈X2且依次将样本xi代入式(5)求解向量λ，随即将xi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，minλ||φ(xi)-Σt=1|B2|λi,tφ(xt)||2,]]>s.t.xt∈B2,0≤λi,t≤1,Σt=1|B2|λi,t=1,---(5)]]>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αi：满足1≤i≤|B1|， (7)计算X2中边界点集B2中各边界点的权重βi：满足1≤i≤|B2|； (8)(35)将B1集中权重ai平方值小于阈值δ的样本剔除出B1集：B1=B1-X~1,---(9)]]>其中阈值δ为一正常数，将B2集中权重βi平方值小于阈值δ的样本剔除出B2集：B2=B2-X~2,---(10)]]>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：minw,b,ξ12||w||2+CΣi=1|B1|+|B2|ξi,s.t.yi(wTφ(xi)+b)≥1-ξi,i=1,2,...,|B1|+|B2|,yi(wTφ(xi)+b)≤1+1τξi,i=1,2,...,|B1|+|B2|,---(11)]]>其中w为权向量，C为惩罚参数，为松弛向量，yi∈{+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,α和α％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。