基于聚類和加權(quán)K近鄰的煙葉分級(jí)研究.pdf

1、煙葉收購(gòu)階段，正確客觀的劃分煙葉等級(jí)既可提高煙農(nóng)的種植積極性，又可保障卷煙企業(yè)的經(jīng)濟(jì)利益。現(xiàn)階段的人工分級(jí)存在主觀性強(qiáng)、人力和物力耗費(fèi)大等缺點(diǎn)，針對(duì)同一片煙葉，不同的專家有可能將它劃分到不同的等級(jí)。因此，客觀、快速、高準(zhǔn)確率的智能分級(jí)是迫切需要的。
　　目前，煙葉智能分級(jí)的研究集中在基于煙葉圖像和紅外光譜進(jìn)行分級(jí)兩個(gè)方面。由于煙葉的光譜特征可以更好地反映含油量、色度、身份及成熟度等與煙葉等級(jí)密切相關(guān)的因素，所以本文基于光譜對(duì)煙葉分

2、級(jí)進(jìn)行了研究。煙葉智能分級(jí)系統(tǒng)的識(shí)別率和整體速度與所選擇的分級(jí)模型和樣本特征光譜的采集量存在很大的關(guān)系，為實(shí)現(xiàn)一個(gè)具有高識(shí)別率的實(shí)時(shí)煙葉智能分級(jí)系統(tǒng)本文主要進(jìn)行了以下工作：
　　1.煙葉光譜的采集、預(yù)處理和孤立樣本的檢測(cè)。利用型號(hào)為UV-3600的光譜儀采集642(13個(gè)等級(jí))片煙葉的反射光譜；為降低基線漂移所帶來的噪聲和特征值間的差異對(duì)分級(jí)的影響，對(duì)光譜進(jìn)行了歸一化處理；由于可能存在錯(cuò)分類別的樣本(孤立樣本)，所以需要對(duì)構(gòu)建分級(jí)

3、模型的樣本訓(xùn)練集進(jìn)行選擇。本文分別利用夾角余弦距離、歐氏距離和相關(guān)系數(shù)法并通過統(tǒng)計(jì)分析選擇合適的閾值檢測(cè)各個(gè)等級(jí)中的孤立樣本和確定用于建立分級(jí)模型的樣本訓(xùn)練集。
　　2.分級(jí)模型的構(gòu)建以及K近鄰算法的改進(jìn)。分別構(gòu)建支持向量機(jī)（SVM）、極限學(xué)習(xí)機(jī)（ELM）、K近鄰（KNN）和加權(quán)K近鄰等煙葉分級(jí)模型，將分級(jí)模型的識(shí)別率作為適應(yīng)度函數(shù)，全光譜下ELM和SVM的測(cè)試集最優(yōu)正確率分別為85.75％和91.02%。加權(quán)K近鄰方法為：一種方

4、法是每個(gè)等級(jí)中訓(xùn)練集的權(quán)重相同，為該等級(jí)樣本個(gè)數(shù)的倒數(shù)。另一種方法是先找出 K個(gè)近鄰，加上與距離呈負(fù)相關(guān)的權(quán)重，通過計(jì)算每個(gè)等級(jí)的權(quán)重之和為煙葉進(jìn)行定級(jí)，兩種方法相結(jié)合的識(shí)別率可達(dá)90.77%。加權(quán)K近鄰的分類效果優(yōu)于傳統(tǒng)K近鄰，計(jì)算復(fù)雜度低于SVM和ELM，本文選用加權(quán)K近鄰作為煙葉等級(jí)判斷的分類器。
　　3.基于聚類思想的特征初步篩選。同時(shí)考慮相同特征的類內(nèi)離散度和類間離散度，構(gòu)造判別特征好與壞的鑒別函數(shù)D，依據(jù)D值刪除拐點(diǎn)右