一种基于分组支持向量机的裘皮近红外光谱鉴别的方法
【专利摘要】本发明公开了一种基于分组支持向量机的裘皮近红外光谱鉴别的方法，其步骤如下：(1)采集不同种类裘皮的近红外光谱数据，并对这些近红外光谱数据进行预处理和KPCA特征提取；(2)建立裘皮近红外光谱数据训练集；(3)使用基于分组支持向量机对训练集进行训练，构成裘皮分类器；(4)利用裘皮分类器对待鉴别裘皮样本进行鉴别。本发明使用近红外光谱技术，通过光谱预处理和特征提取得到的数据能捕捉到不同种类裘皮近红外光谱的细微差别信息；使用基于分组支持向量机对裘皮种类进行鉴别，具有检测速度快、分类准确性高，对裘皮不造成损坏等优点，可实现不同种类裘皮的分类。
【专利说明】一种基于分组支持向量机的裘皮近红外光谱鉴别的方法
【技术领域】
[0001] 本发明涉及裘皮的种类鉴别领域，具体涉及一种基于分组支持向量机的裘皮近红 外光谱鉴别的方法。
【背景技术】
[0002] 从古到今，裘皮一直被看作财富及社会地位的象征。常见的裘皮有狐狸皮、獭兔 皮、貂皮、海狸皮、水獭皮、貉皮、鼠皮等，其中貂皮有着"软黄金"的美誉。天然裘皮由表皮 层及其表面密生着的针毛、绒毛、粗毛所组成，但因动物种类不同，皮毛组成比例不同，因而 裘皮的质量有了高低、好坏的差异。裘皮作为服装中的高档面料，动辄几万甚至几十万，利 益的驱动以及裘皮的稀缺性，市场上出现了鱼目混珠、以次充好的掺假现象，所以研究一种 简单、快速、非破坏性的裘皮种类鉴别方法是非常必要的。
[0003]目前采用的裘皮种类鉴别方法大致分为两类：一类是基于电子显微镜的物理方 法，另一类是化学试剂法，如溶液法、染色法等。但这两类方法存在多种缺陷：（1)鉴别时间 长；（2)鉴别者需要专门技术知识；（3)过程繁琐；(4)鉴别成本高等。
[0004] 近红外光谱分析技术是依据某一物质成分对电磁波的吸收特性而进行的定性、定 量分析技术，近红外光谱分析具有速度快、效率高、结果稳定、测试重现性好、无破坏等优 点。刘心如在《可见/近红外漫反射光谱分析技术检测动物毛绒纤维的研究》（甘肃农业大 学，硕士学位论文，2013年）中使用近红外光谱分析、主成分-马氏距离的判别方法对驼绒 和上羊绒、同质绵羊毛和绵羊绒判别，但此方法依据主成分得分的三维图来分类，当两种样 本的主成分在三维图中叠加显示时该方法判别失效；吴桂芳等在《基于主成分分析和支持 向量机的山羊绒原料品种鉴别分析》（光谱学与光谱分析，2009年6月）中使用一类对余类 的支持向量机方法进行分类，并将样本主成分的得分作为支持向量机算法的训练集，此方 法存在三个问题，一是仅验证了鉴别山羊绒原料品种的有效性，二是普通的支持向量机在 学习过程中不能有效挖掘数据样本的内在信息，三是一类对余类的训练方法耗时长且会造 成"数据集偏斜"的结果。针对裘皮种类鉴别方法的现状与诸多不足，本发明提出了一种基 于分组支持向量机的裘皮近红外光谱鉴别的方法。
【发明内容】
[0005] 本发明的主要目的是为了提供一种无损、低成本、易操作、高可靠的基于分组支持 向量机的裘皮近红外光谱鉴别的方法，重点改进了现有方法所建立的近红外定性分析模型 的稳定性和适应性不高的缺陷。
[0006] 本发明的技术方案是：为达到上述目的，首先通过近红外光谱获取裘皮的光谱数 据，并通过对光谱数据经过预处理和KPCA方法特征提取，获得其特征数据构成训练样本， 进而使用基于分组支持向量机对分组后的训练样本集进行训练，构建若干个裘皮分类器， 最后采用投票机制统计分类结果，实现对裘皮种类的自动化鉴别。
[0007] 根据上述构思，本发明采用下述技术方案。
[0008] (1)采集不同种类裘皮的近红外光谱数据，并对这些近红外光谱数据进行预处理 和KPCA特征提取；
[0009] (2)建立裘皮近红外光谱数据训练集；
[0010] (3)使用基于分组支持向量机对裘皮近红外光谱数据训练集进行训练，得到裘皮 种类分类器；
[0011] (4)使用得到的裘皮种类分类器对待鉴别裘皮样本进行识别；
[0012] 上述步骤（1)所述的采集不同种类裘皮的近红外光谱数据样本，并对这些近红外 光谱数据进行预处理和特征提取，其具体步骤如下：
[0013] (11)用近红外光谱仪对不同种类的裘皮样本投射近红外，获取裘皮近红外光谱数 据，并保存裘皮近红外光谱数据和其类别信息；
[0014] (12)对所述的裘皮近红外光谱数据进行预处理；
[0015] (13)在满足主成分的累积可信度的一定条件下，采用KPCA方法对裘皮近红外光 谱数据进行特征提取，得到不同种类的裘皮近红外光谱样本；
[0016] 上述步骤（2)所述的建立裘皮近红外光谱数据训练集，其具体步骤如下：
[0017] (21)将裘皮种类进行两两组合，组合成
【权利要求】
1. 一种基于分组支持向量机的裘皮近红外光谱鉴别的方法，其特征包括如下步骤： (1) 采集不同种类裘皮的近红外光谱数据，并对这些近红外光谱数据进行预处理和 KPCA特征提取； (2) 建立裘皮近红外光谱数据训练集； (3) 使用基于分组支持向量机对裘皮近红外光谱数据训练集进行训练，得到裘皮种类 分类器； (4) 使用得到的裘皮种类分类器对待鉴别裘皮样本进行识别； 上述步骤（1)所述的采集不同种类裘皮的近红外光谱数据，并对这些近红外光谱数据 进行预处理和KPCA特征提取，其具体步骤如下： (11) 用近红外光谱仪对不同种类的裘皮样本投射近红外，获取裘皮近红外光谱数据， 并保存裘皮近红外光谱数据和其类别信息； (12) 对所述的裘皮近红外光谱数据进行预处理； (13) 在满足主成分的累积可信度的一定条件下，采用KPCA方法对裘皮近红外光谱数 据进行特征提取，得到不同种类的裘皮近红外光谱样本； 上述步骤（2)所述的建立裘皮近红外光谱数据训练集，其具体步骤如下： (21) 将裘皮种类进行两两组合，组合成/7Χ(; - "个组合（η是裘皮的种类），根据这 个组合构建^^个裘皮近红外光谱数据训练集，每个训练样本集由该组合 对应的近红外光谱样本组成； (22) 按照第一主成分的数据分布，将每个裘皮近红外光谱数据训练集划分成若干个规 模相当的分组； 上述步骤（3)所述的基于分组支持向量机的形式为：
其中，特征向量XiQeD被映射到两个空间，一个通过映射函数Φ(Xi) = 射到决 策空间z，另一个是通过映射函数么(A)= <映射到纠正空间ξi和IT为松弛变量且都 表示成纠正函数的形式，式（1)中的W表示分类超平面的法向量，W1?是纠正函数的法向量， t为步骤（22)中划分的组的个数，r表示组的编号，"和C分别表示正类和负类中组的编 号（r=1，. . .，t), :表示正类r组和负类r组中样本的个数（r=1，. . .，t),V、< 和< 为正实数（r= 1，. . .，t)，1+P2表示负类到分类超平面的距离，Γι和r2为正实数； 上式可以转换成如下的二次规划形式：
其中式⑵中的λi的值为：
求解式⑴和式⑵可得到的w和b最优解w%b# ; 上述步骤（3)所述的裘皮分类器的形式为：f (X)=sgn(I-1w* ·Φ(X)+b*I) (3) 其中w%b#是上述得到的最优解； 上述步骤（4)所述的利用得到的裘皮种类分类器对待鉴别裘皮样本进行识别，具体步 骤如下： (41) 获取待鉴别裘皮的近红外光谱数据； (42) 对获取的近红外光谱数据进行预处理和使用KPCA方法进行特征提取； (43) 将提取到的特征数据分别输入到步骤（3)所述的个裘皮种类分类器中， 得到^^个鉴别结果； (44) 采用投票机制统计这^^个分类器的鉴别结果，鉴别结果中哪一个占得多， 则将此裘皮种类鉴别为该类别。
【文档编号】G06K9/46GK104318260SQ201410589498
【公开日】2015年1月28日 申请日期:2014年10月28日 优先权日:2014年10月28日
【发明者】倪彤光, 顾晓清, 郇战, 宦娟 申请人:常州大学