基于聚類和加權(quán)K近鄰的煙葉分級研究.pdf

1、煙葉收購階段，正確客觀的劃分煙葉等級既可提高煙農(nóng)的種植積極性，又可保障卷煙企業(yè)的經(jīng)濟利益?，F(xiàn)階段的人工分級存在主觀性強、人力和物力耗費大等缺點，針對同一片煙葉，不同的專家有可能將它劃分到不同的等級。因此，客觀、快速、高準(zhǔn)確率的智能分級是迫切需要的。
　　目前，煙葉智能分級的研究集中在基于煙葉圖像和紅外光譜進(jìn)行分級兩個方面。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密切相關(guān)的因素，所以本文基于光譜對煙葉分

2、級進(jìn)行了研究。煙葉智能分級系統(tǒng)的識別率和整體速度與所選擇的分級模型和樣本特征光譜的采集量存在很大的關(guān)系，為實現(xiàn)一個具有高識別率的實時煙葉智能分級系統(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。利用型號為UV-3600的光譜儀采集642(13個等級)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分級的影響，對光譜進(jìn)行了歸一化處理；由于可能存在錯分類別的樣本(孤立樣本)，所以需要對構(gòu)建分級

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)計分析選擇合適的閾值檢測各個等級中的孤立樣本和確定用于建立分級模型的樣本訓(xùn)練集。
　　2.分級模型的構(gòu)建以及K近鄰算法的改進(jìn)。分別構(gòu)建支持向量機（SVM）、極限學(xué)習(xí)機（ELM）、K近鄰（KNN）和加權(quán)K近鄰等煙葉分級模型，將分級模型的識別率作為適應(yīng)度函數(shù)，全光譜下ELM和SVM的測試集最優(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、法是每個等級中訓(xùn)練集的權(quán)重相同，為該等級樣本個數(shù)的倒數(shù)。另一種方法是先找出 K個近鄰，加上與距離呈負(fù)相關(guān)的權(quán)重，通過計算每個等級的權(quán)重之和為煙葉進(jìn)行定級，兩種方法相結(jié)合的識別率可達(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近鄰作為煙葉等級判斷的分類器。
　　3.基于聚類思想的特征初步篩選。同時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值刪除拐點右