支持向量機對煙草化學成分協(xié)調(diào)性的分類應(yīng)用

徐小華　胡曉飛　全曉松等

摘要：根據(jù)煙草化學成分的協(xié)調(diào)性分析來確定煙草的等級是非常復雜的過程，傳統(tǒng)上的評估方法存在主觀性等人為的缺陷。為了提高分類等級的準確性，提出了K-CV-SVM的分類模型。仿真結(jié)果表明，K-CV-SVM克服了傳統(tǒng)方法的缺陷，具有一定的適用性。

關(guān)鍵詞：煙草；成分；支持向量機

中圖分類號： TP391.4 文獻標志碼： A 文章編號：1002-1302（2014）07-0431-02

收稿日期：2013-10-03

基金項目：云南省教育廳科學研究基金（編號：2012C80）。

作者簡介：徐小華（1980—），男，四川南充人，碩士，講師，主要從事模式識別和計算機智能系統(tǒng)的研究。E-mail：969287340@qq.com。煙草是我國重要的經(jīng)濟作物之一，我國的煙草種植面積和總產(chǎn)量均居世界第一位。隨著“21世紀是質(zhì)量的世紀”口號的提出，當今煙草貿(mào)易市場上競爭的焦點已經(jīng)是煙草質(zhì)量的競爭，而煙草質(zhì)量的優(yōu)劣主要是由其化學成分的協(xié)調(diào)性來體現(xiàn)的[1]。煙草的主要化學成分含有多種判定指標，是一個多層次、多目標的分類關(guān)系，而且影響因素和分類等級之間存在非線性的關(guān)系。傳統(tǒng)的煙葉評價主要是通過人工驗級和樣煙評吸來進行的[2-4]，由于得到的數(shù)據(jù)在一定程度上會受到主觀因素的影響，因此不利于對煙葉的科學評價。支持向量機（SVM，support vector machine）是由Vapnik首先提出的，可用于模式分類和識別，如果將其用于煙草化學成分協(xié)調(diào)性的分類，則有助于提高分類的準確率，從而避免繁雜的人為因素干擾。本研究擬采用MATLAB R2012B和Libsvm軟件實現(xiàn)對煙草化學成分協(xié)調(diào)性的分類。

1支持向量機

4與其他模型的比較

為了說明K-CV交叉驗證法得到的結(jié)果的優(yōu)劣，分別將數(shù)據(jù)歸一化后直接對數(shù)據(jù)進行測試（其svmtrain的參數(shù)為-c2，-g1，-t0）和交叉驗證法的方法作為比較模型。前者的分類準確率為93.3333%?？梢钥闯?，K-CV的模型SVM的 Accuracy 的準確率是最好的，更具有有效性，因此可以說明將基于 K-CV 模型的SVM用于對煙葉化學成分協(xié)調(diào)性的分類，提高了分類準確率，有廣泛的實用性和一定的決策性。

參考文獻：

[1]李春麗，毛紹春. 煙葉化學成分及分析[M]. 昆明：云南大學出版社，2007：1-3.

[2]羅戰(zhàn)勇，呂永華，李淑玲，等. 廣東省生態(tài)煙區(qū)的劃分及其煙葉質(zhì)量評價[J]. 廣東農(nóng)業(yè)科學，2004（1）：18-20.

[3]蔡憲杰，王信民，尹啟生. 烤煙外觀質(zhì)量指標量化分析初探[J]. 煙草科技，2004，6（6）：37-39，42.

[4]葉沖，楊再波，韓偉，等. 貴州煙葉化學成分的聚類分析和綜合評價[J]. 貴州化工，2006，31（6）：17-19.

[5]魏勤，張宇霖. 基于SVM神經(jīng)網(wǎng)絡(luò)的滬深300股指期貨的實證研究[J]. 產(chǎn)業(yè)與科技論壇，2012（10）：123-126.

[6]Haykin S. 神經(jīng)網(wǎng)絡(luò)原理[M]. 葉世偉，史忠植，譯. 北京：機械工業(yè)出版社，2004：100-105.

[7]饒智勇，顏七笙. 基于SVM的農(nóng)業(yè)機械化水平預(yù)測模型[J]. 廣東農(nóng)業(yè)科學，2010，37（5）：203-205.

[8]曾傳華，陳紅，高云，等. 基于SVM和顏色矩的竹條顏色分級方法[J]. 湖北農(nóng)業(yè)科學，2010，49（2）：455-457.

[9]高丙朋，姜波，南新元. 基于LS-SVM的番茄產(chǎn)量在線預(yù)測[J]. 湖北農(nóng)業(yè)科學，2012，51（5）：1025-1027.

[10]史峰，王小川，郁磊，等. MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M]. 北京：北京航空航天大學出版社，2010：112-121.

[11]章英，賀立源，葉穎澤，等. 基于LS-SVM的烤煙煙葉產(chǎn)地判別[J]. 湖北農(nóng)業(yè)科學，2012，51（3）：583-585.

[12]陳光英，張千里，李星. 基于SVM分類機的入侵檢測系統(tǒng)[J]. 通信學報，2002，23（5）：51-56.

[13]曾建潮，介婧，崔志華. 微粒群算法[M]. 北京：科學出版社，2004：80-90.

[14]楊潔，鄭寧，劉董，等. 基于遺傳算法的SVM帶權(quán)特征和模型參數(shù)優(yōu)化[J]. 計算機仿真，2008（9）：115-117，158.

[15]雷英杰，張善文，李續(xù)武，等. MATLAB遺傳算法工具箱及應(yīng)用[M]. 西安：西安電子科技大學出版社，2005：80-110.

[16]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農(nóng)業(yè)科學，2012，40（7）：355-358.

[17]王曉紅，吳德會. 基于WLS-SVM回歸模型的電力負荷預(yù)測[J]. 微計算機信息，2008，24（4）：312-314.endprint

摘要：根據(jù)煙草化學成分的協(xié)調(diào)性分析來確定煙草的等級是非常復雜的過程，傳統(tǒng)上的評估方法存在主觀性等人為的缺陷。為了提高分類等級的準確性，提出了K-CV-SVM的分類模型。仿真結(jié)果表明，K-CV-SVM克服了傳統(tǒng)方法的缺陷，具有一定的適用性。

關(guān)鍵詞：煙草；成分；支持向量機

中圖分類號： TP391.4 文獻標志碼： A 文章編號：1002-1302（2014）07-0431-02

收稿日期：2013-10-03

基金項目：云南省教育廳科學研究基金（編號：2012C80）。

作者簡介：徐小華（1980—），男，四川南充人，碩士，講師，主要從事模式識別和計算機智能系統(tǒng)的研究。E-mail：969287340@qq.com。煙草是我國重要的經(jīng)濟作物之一，我國的煙草種植面積和總產(chǎn)量均居世界第一位。隨著“21世紀是質(zhì)量的世紀”口號的提出，當今煙草貿(mào)易市場上競爭的焦點已經(jīng)是煙草質(zhì)量的競爭，而煙草質(zhì)量的優(yōu)劣主要是由其化學成分的協(xié)調(diào)性來體現(xiàn)的[1]。煙草的主要化學成分含有多種判定指標，是一個多層次、多目標的分類關(guān)系，而且影響因素和分類等級之間存在非線性的關(guān)系。傳統(tǒng)的煙葉評價主要是通過人工驗級和樣煙評吸來進行的[2-4]，由于得到的數(shù)據(jù)在一定程度上會受到主觀因素的影響，因此不利于對煙葉的科學評價。支持向量機（SVM，support vector machine）是由Vapnik首先提出的，可用于模式分類和識別，如果將其用于煙草化學成分協(xié)調(diào)性的分類，則有助于提高分類的準確率，從而避免繁雜的人為因素干擾。本研究擬采用MATLAB R2012B和Libsvm軟件實現(xiàn)對煙草化學成分協(xié)調(diào)性的分類。

1支持向量機

4與其他模型的比較

為了說明K-CV交叉驗證法得到的結(jié)果的優(yōu)劣，分別將數(shù)據(jù)歸一化后直接對數(shù)據(jù)進行測試（其svmtrain的參數(shù)為-c2，-g1，-t0）和交叉驗證法的方法作為比較模型。前者的分類準確率為93.3333%?？梢钥闯?，K-CV的模型SVM的 Accuracy 的準確率是最好的，更具有有效性，因此可以說明將基于 K-CV 模型的SVM用于對煙葉化學成分協(xié)調(diào)性的分類，提高了分類準確率，有廣泛的實用性和一定的決策性。

參考文獻：

[1]李春麗，毛紹春. 煙葉化學成分及分析[M]. 昆明：云南大學出版社，2007：1-3.

[2]羅戰(zhàn)勇，呂永華，李淑玲，等. 廣東省生態(tài)煙區(qū)的劃分及其煙葉質(zhì)量評價[J]. 廣東農(nóng)業(yè)科學，2004（1）：18-20.

[3]蔡憲杰，王信民，尹啟生. 烤煙外觀質(zhì)量指標量化分析初探[J]. 煙草科技，2004，6（6）：37-39，42.

[4]葉沖，楊再波，韓偉，等. 貴州煙葉化學成分的聚類分析和綜合評價[J]. 貴州化工，2006，31（6）：17-19.

[5]魏勤，張宇霖. 基于SVM神經(jīng)網(wǎng)絡(luò)的滬深300股指期貨的實證研究[J]. 產(chǎn)業(yè)與科技論壇，2012（10）：123-126.

[6]Haykin S. 神經(jīng)網(wǎng)絡(luò)原理[M]. 葉世偉，史忠植，譯. 北京：機械工業(yè)出版社，2004：100-105.

[7]饒智勇，顏七笙. 基于SVM的農(nóng)業(yè)機械化水平預(yù)測模型[J]. 廣東農(nóng)業(yè)科學，2010，37（5）：203-205.

[8]曾傳華，陳紅，高云，等. 基于SVM和顏色矩的竹條顏色分級方法[J]. 湖北農(nóng)業(yè)科學，2010，49（2）：455-457.

[9]高丙朋，姜波，南新元. 基于LS-SVM的番茄產(chǎn)量在線預(yù)測[J]. 湖北農(nóng)業(yè)科學，2012，51（5）：1025-1027.

[10]史峰，王小川，郁磊，等. MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M]. 北京：北京航空航天大學出版社，2010：112-121.

[11]章英，賀立源，葉穎澤，等. 基于LS-SVM的烤煙煙葉產(chǎn)地判別[J]. 湖北農(nóng)業(yè)科學，2012，51（3）：583-585.

[12]陳光英，張千里，李星. 基于SVM分類機的入侵檢測系統(tǒng)[J]. 通信學報，2002，23（5）：51-56.

[13]曾建潮，介婧，崔志華. 微粒群算法[M]. 北京：科學出版社，2004：80-90.

[14]楊潔，鄭寧，劉董，等. 基于遺傳算法的SVM帶權(quán)特征和模型參數(shù)優(yōu)化[J]. 計算機仿真，2008（9）：115-117，158.

[15]雷英杰，張善文，李續(xù)武，等. MATLAB遺傳算法工具箱及應(yīng)用[M]. 西安：西安電子科技大學出版社，2005：80-110.

[16]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農(nóng)業(yè)科學，2012，40（7）：355-358.

[17]王曉紅，吳德會. 基于WLS-SVM回歸模型的電力負荷預(yù)測[J]. 微計算機信息，2008，24（4）：312-314.endprint

摘要：根據(jù)煙草化學成分的協(xié)調(diào)性分析來確定煙草的等級是非常復雜的過程，傳統(tǒng)上的評估方法存在主觀性等人為的缺陷。為了提高分類等級的準確性，提出了K-CV-SVM的分類模型。仿真結(jié)果表明，K-CV-SVM克服了傳統(tǒng)方法的缺陷，具有一定的適用性。

關(guān)鍵詞：煙草；成分；支持向量機

中圖分類號： TP391.4 文獻標志碼： A 文章編號：1002-1302（2014）07-0431-02

收稿日期：2013-10-03

基金項目：云南省教育廳科學研究基金（編號：2012C80）。

作者簡介：徐小華（1980—），男，四川南充人，碩士，講師，主要從事模式識別和計算機智能系統(tǒng)的研究。E-mail：969287340@qq.com。煙草是我國重要的經(jīng)濟作物之一，我國的煙草種植面積和總產(chǎn)量均居世界第一位。隨著“21世紀是質(zhì)量的世紀”口號的提出，當今煙草貿(mào)易市場上競爭的焦點已經(jīng)是煙草質(zhì)量的競爭，而煙草質(zhì)量的優(yōu)劣主要是由其化學成分的協(xié)調(diào)性來體現(xiàn)的[1]。煙草的主要化學成分含有多種判定指標，是一個多層次、多目標的分類關(guān)系，而且影響因素和分類等級之間存在非線性的關(guān)系。傳統(tǒng)的煙葉評價主要是通過人工驗級和樣煙評吸來進行的[2-4]，由于得到的數(shù)據(jù)在一定程度上會受到主觀因素的影響，因此不利于對煙葉的科學評價。支持向量機（SVM，support vector machine）是由Vapnik首先提出的，可用于模式分類和識別，如果將其用于煙草化學成分協(xié)調(diào)性的分類，則有助于提高分類的準確率，從而避免繁雜的人為因素干擾。本研究擬采用MATLAB R2012B和Libsvm軟件實現(xiàn)對煙草化學成分協(xié)調(diào)性的分類。

1支持向量機

4與其他模型的比較

為了說明K-CV交叉驗證法得到的結(jié)果的優(yōu)劣，分別將數(shù)據(jù)歸一化后直接對數(shù)據(jù)進行測試（其svmtrain的參數(shù)為-c2，-g1，-t0）和交叉驗證法的方法作為比較模型。前者的分類準確率為93.3333%?？梢钥闯觯琄-CV的模型SVM的 Accuracy 的準確率是最好的，更具有有效性，因此可以說明將基于 K-CV 模型的SVM用于對煙葉化學成分協(xié)調(diào)性的分類，提高了分類準確率，有廣泛的實用性和一定的決策性。

參考文獻：

[1]李春麗，毛紹春. 煙葉化學成分及分析[M]. 昆明：云南大學出版社，2007：1-3.

[2]羅戰(zhàn)勇，呂永華，李淑玲，等. 廣東省生態(tài)煙區(qū)的劃分及其煙葉質(zhì)量評價[J]. 廣東農(nóng)業(yè)科學，2004（1）：18-20.

[3]蔡憲杰，王信民，尹啟生. 烤煙外觀質(zhì)量指標量化分析初探[J]. 煙草科技，2004，6（6）：37-39，42.

[4]葉沖，楊再波，韓偉，等. 貴州煙葉化學成分的聚類分析和綜合評價[J]. 貴州化工，2006，31（6）：17-19.

[5]魏勤，張宇霖. 基于SVM神經(jīng)網(wǎng)絡(luò)的滬深300股指期貨的實證研究[J]. 產(chǎn)業(yè)與科技論壇，2012（10）：123-126.

[6]Haykin S. 神經(jīng)網(wǎng)絡(luò)原理[M]. 葉世偉，史忠植，譯. 北京：機械工業(yè)出版社，2004：100-105.

[7]饒智勇，顏七笙. 基于SVM的農(nóng)業(yè)機械化水平預(yù)測模型[J]. 廣東農(nóng)業(yè)科學，2010，37（5）：203-205.

[8]曾傳華，陳紅，高云，等. 基于SVM和顏色矩的竹條顏色分級方法[J]. 湖北農(nóng)業(yè)科學，2010，49（2）：455-457.

[9]高丙朋，姜波，南新元. 基于LS-SVM的番茄產(chǎn)量在線預(yù)測[J]. 湖北農(nóng)業(yè)科學，2012，51（5）：1025-1027.

[10]史峰，王小川，郁磊，等. MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M]. 北京：北京航空航天大學出版社，2010：112-121.

[11]章英，賀立源，葉穎澤，等. 基于LS-SVM的烤煙煙葉產(chǎn)地判別[J]. 湖北農(nóng)業(yè)科學，2012，51（3）：583-585.

[12]陳光英，張千里，李星. 基于SVM分類機的入侵檢測系統(tǒng)[J]. 通信學報，2002，23（5）：51-56.

[13]曾建潮，介婧，崔志華. 微粒群算法[M]. 北京：科學出版社，2004：80-90.

[14]楊潔，鄭寧，劉董，等. 基于遺傳算法的SVM帶權(quán)特征和模型參數(shù)優(yōu)化[J]. 計算機仿真，2008（9）：115-117，158.

[15]雷英杰，張善文，李續(xù)武，等. MATLAB遺傳算法工具箱及應(yīng)用[M]. 西安：西安電子科技大學出版社，2005：80-110.

[16]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農(nóng)業(yè)科學，2012，40（7）：355-358.

[17]王曉紅，吳德會. 基于WLS-SVM回歸模型的電力負荷預(yù)測[J]. 微計算機信息，2008，24（4）：312-314.endprint