[发明专利]一种结合高光谱和支持向量机分类的苎麻品种识别方法

摘要

本发明提出一种结合高光谱和支持向量机分类的苎麻品种识别方法，包括以下步骤：样本收集及高光谱测量、样品集划分、PCA特征提取、SVC识别模型建立和确定最佳模型；本发明通过采用网格搜索法确定提取特征分别建立Linear、Polynomial、RBF和Sigmoid核函数的SVC苎麻高光谱品种识别模型的方法，模型识别正确率可以达到95%以上，具有可靠有效的且快速、简便的优点，提高了基于高光谱的苎麻品种识别、辅助育种、为实现苎麻的高产优质及麻田精准管理的理论依据和关键技术支撑，可以缩短苎麻品种识别周期，减少人力物力消耗。

主权项

1.一种结合高光谱和支持向量机分类的苎麻品种识别方法，其特征在于：包括以下步骤：步骤一：样本收集及高光谱测量收集不同品种的苎麻，作为苎麻样本，然后将苎麻样本采用便携式地物光谱仪和便携式地物光谱仪配套的手持叶夹式叶片光谱探测器在苎麻样本叶片上选择4个采样点测量进行高光谱数据采集，采样点数据做断点校正后再取平均值作为该苎麻样本的叶片高光谱数据；步骤二：样本集划分在上述步骤一中不同品种的苎麻样本的叶片高光谱数据采集后，将不同品种的苎麻样本的叶片高光谱数据按照2:1的比例随机分配，依次标记为成建模集和预测集；步骤三：PCA特征提取采用PCA提取苎麻样本的叶片特征，选择所有特征值大于1的成分作为PCA主因子或方差累计贡献率达到85%‑95%的前n个主因子作为PCA主因子；步骤四：SVC识别模型建立在化学计量软件Unscrambler中利用SVC算法将上述步骤三中提取后的PCA主因子特征变量从方差累积贡献率≥85%第n个主因子开始，依次增加PCA主因子个数，然后分别与不同的SVC核函数及核函数的最佳参数进行组合，然后进行分析后建立多个识别苎麻品种的模型，获得最佳特征变量个数、SVC核函数和参数组合；步骤五：确定最佳模型将步骤二中的预测集的预测数据代入步骤四建立的各种组合的模型中，评价并识别预测结果，获取最佳参数组合的模型。