学位论文 > 优秀研究生学位论文题录展示

基于支持向量机的植物病害识别研究

作　者: 任东
导　师: 于海业
学　校: 吉林大学
专　业: 农业机械化工程
关键词: 支持向量机模式识别环境信息植物病害诊断核函数
分类号: S432
类　型: 博士论文
年　份: 2007年
下　载: 531次
引　用: 16次
阅　读: 论文下载

内容摘要

支持向量机(support vector machine，简称SVM)是一种新的模式识别方法，它采用结构风险最小化(SRM)原理，兼顾训练误差和泛化能力，在解决小样本、高维非线性、局部极小值等模式识别问题中表现出特有的优势。本文以温室植物病害为主要研究对象，以支持向量机技术为重要技术手段，并将地面环境信息引入，进行温室植物病害的诊断研究。本文提出了一种新的核函数——线形组合高斯核函数核，并将该核函数应用于支持向量机方法中，并使用该方法对北京地区黄瓜病害图像进行了识别分类，达到更好的分类效果。在病害图像特征提取中，采用基于启发式搜索策略的支持向量机的Wrapper方法—回归特征消去方法(SVM-RFE)对原始特征进行选择。在分类器设计方面，提出采用模糊多类别分类器，该方法很好的解决了“一对一”和“一对多”分类器中出现的不可识别区域问题。在设计病害识别系统方面，将植物生长环境信息对植物病害发生的影响引入病害诊断中，并将这种影响量化为影响因子，作为支持向量机分类器的加权系数，来修正最后的识别分类结果。本项研究为进一步开发具有使用价值的植物病害诊断系统提供了重要的理论基础和应用技术，对缩小我国在农作物自动化管理方面与发达国家之间的差距，促进现代技术在我国农业工程领域的应用具有重要意义。

全文目录

提要  6-9
第一章绪论  9-19
  1.1 支持向量机理论及应用研究概述  9-13
    1.1.1 传统模式识别方法的局限性  9-10
    1.1.2 统计学习理论及支持向量机方法的提出  10-12
    1.1.3 支持向量机理论发展历史与现状  12-13
  1.2 农作物病害诊断研究概况及发展动态  13-17
    1.2.1 引言  13-14
    1.2.2 利用图像处理技术和模式识别技术诊断农作物病害  14-17
    1.2.3 支持向量机在农作物病害诊断方面的应用研究  17
  1.3 研究内容  17-19
第二章统计学习理论与支持向量机方法  19-35
  2.1 引言  19
  2.2 统计学习理论的基本问题和方法  19-24
    2.2.1 VC维理论  19-20
    2.2.2 结构风险最小化归纳原理  20-24
  2.3 支持向量机的基本理论  24-31
    2.3.1 线形情况  24-26
    2.3.2 核函数和非线性问题  26-28
    2.3.3 多类别分类问题  28-31
  2.4 支持向量机求解方法  31-35
    2.4.1 C-SVM系列算法  31-32
    2.4.2 v-SVM系列算法  32
    2.4.3 RSVM算法  32-33
    2.4.4 LS-SVM算法  33
    2.4.5 WSVM算法(weighted SVM)  33
    2.4.6 其它改进的SVM算法  33-35
第三章支持向量机核函数设计  35-45
  3.1 引言  35
  3.2 核函数设计  35-40
    3.2.1 高斯核函数的性能分析  36-38
    3.2.2 改进高斯核函数  38-39
    3.2.3 改进线形组合高斯核函数  39-40
  3.3 试验与分析  40-45
    3.3.1 不同线性组合参数的分析比较  40-43
    3.3.2 不同核函数的分析比较  43-45
第四章基于支持向量机的病害图像特征提取与选择  45-55
  4.1 引言  45
  4.2 植物病害图像原始特征的形成  45-48
    4.2.1 病害叶片颜色特征参数的研究  45-46
    4.2.2 病害叶片纹理特征参数的研究  46-47
    4.2.3 病害叶片病斑部位形状特征参数的研究  47-48
  4.3 改进 SVM-RFE特征选择方法  48-52
  4.4 试验与结果分析  52-54
    4.4.1 样本数据的选择  52-53
    4.4.2 结果分析  53-54
  4.5 结论  54-55
第五章基于模糊支持向量机的多类别分类器的建立  55-67
  5.1 引言  55
  5.2 模糊支持向量机  55-56
  5.3 多类别分类器的设计  56-57
  5.4 试验与结果分析  57-67
第六章支持向量机方法在植物病害诊断中的应用  67-77
  6.1 本论文提出的植物病害诊断系统基本框架  67-68
  6.2 地面环境信息获取与分析  68-73
    6.2.1 地区植物病害发病概率确定  68-73
    6.2.2 影响植物病害的环境因子确定  73
  6.3 图像信息的获取与分析  73-76
    6.3.1 图像获取需要解决的技术难点  74-75
    6.3.2 图像获取、预处理的过程  75-76
  6.4 植物综合病害识别试验与结果分析  76-77
第七章结论与展望  77-81
  7.1 研究结论  77-78
  7.2 本文的不足之处  78-79
  7.3 建议与展望  79-81
参考文献  81-92
攻博期间发表的学术论文及其他成果  92-93
致谢  93-94
摘要  94-97
ABSTRACT  97-99

基于支持向量机的植物病害识别研究

内容摘要

全文目录

相似论文