發(fā)布時(shí)間：2020-11-07 07:24

　　 黑龍江省作為一個(gè)大米種植的大省,大米的年產(chǎn)量每年都在全國的前列。但由于黑龍江省不同產(chǎn)區(qū)大米質(zhì)量各不相同,各產(chǎn)區(qū)大米也不盡相同,這就導(dǎo)致了部分商家為獲得不法收益而進(jìn)行以次充好的行為,導(dǎo)致了大米產(chǎn)地信息被破壞,喪失了其在人們購買大米時(shí)的參考價(jià)值。因此為解決目前大米行業(yè)存在的產(chǎn)地混亂問題,提出了大米產(chǎn)地安全溯源方法。大米安全溯源技術(shù)包括近紅外光譜技術(shù)、計(jì)算機(jī)視覺檢測技術(shù)等。由于化學(xué)溯源技術(shù)檢測周期較長,難以實(shí)現(xiàn)實(shí)時(shí)在線檢測,而物理溯源技術(shù)雖然檢測速度較快但準(zhǔn)確率較低,降低了實(shí)際應(yīng)用的可靠性,因此本文通過提出一種基于跨媒體特征融合的近紅外光譜與計(jì)算機(jī)視覺聯(lián)合檢測的溯源方法,旨在解決大米實(shí)時(shí)在線產(chǎn)地溯源的準(zhǔn)確性和可靠性問題。本文進(jìn)行黑龍江省大米產(chǎn)地分類的方法有三種,分別為:基于圖像特征的黑龍江省大米產(chǎn)地分類研究、基于近紅外光譜特征的黑龍江省大米產(chǎn)地分類研究及基于跨媒體特征融合的黑龍江省大米產(chǎn)地分類研究。在進(jìn)行基于圖像處理的黑龍江省大米產(chǎn)地分類研究中分別對(duì)圖像進(jìn)行了圖像去噪聲、圖像二值化及圖像特征提取操作,并結(jié)合了不同算法進(jìn)行了黑龍江省大米產(chǎn)地分類實(shí)驗(yàn)。在進(jìn)行基于近紅外光譜的黑龍江省大米產(chǎn)地分類研究中,對(duì)近紅外光譜進(jìn)行了預(yù)處理和特征提取,并在此基礎(chǔ)上利用不同分類算法進(jìn)行黑龍江省大米產(chǎn)地分類實(shí)驗(yàn)。最后,對(duì)大米圖像特征及大米近紅外光譜數(shù)據(jù)特征進(jìn)行了跨媒體特征融合,得到新的融合特征。并進(jìn)行了基于支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)及隨機(jī)森林三種機(jī)器學(xué)習(xí)算法與跨媒體特征融合建模,對(duì)黑龍江省大米產(chǎn)地進(jìn)行分類。將跨媒體特征融合的大米產(chǎn)地分類與圖像特征、近紅外光譜的大米產(chǎn)地分類進(jìn)行對(duì)比分析,實(shí)驗(yàn)結(jié)果表明,跨媒體特征融合方法比單一的大米產(chǎn)地分類方法分類準(zhǔn)確率更高。因此通過利用近紅外光譜的數(shù)據(jù)特征與大米外觀圖像特征進(jìn)行跨媒體融合的綜合分析方法,既可以對(duì)大米產(chǎn)地進(jìn)行實(shí)時(shí)在線的檢測,又可避免采用單一的近紅外光譜分析方法對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生不準(zhǔn)確性和不可靠性的影響。
【學(xué)位單位】：哈爾濱商業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.41;TS210.7
【部分圖文】：

哈爾濱商業(yè)大學(xué)碩士學(xué)位論文15設(shè)訓(xùn)練集T的數(shù)據(jù)分布為:1122,,,,,,mnmTxyxyxyXY（2-1）其中nixXR，1,1iyYi1,2,,m，ix表示第i個(gè)特征向量，當(dāng)1iy時(shí)則ix表示正例，當(dāng)1iy時(shí)則ix表示負(fù)例。若X的分布處于二維空間中，可將上述問題轉(zhuǎn)換為一個(gè)基于決策平面與最大間隔的分類問題，處于決策平面的最大間隔兩側(cè)的點(diǎn)分別定義為正例和負(fù)例。如下圖2-1所示，0Txb即為決策平面的計(jì)算公式。其中，w為超平面法向量，b是常數(shù)項(xiàng)，x是訓(xùn)練集樣本。當(dāng)求解問題屬于線性可分問題時(shí)，則決策平面的數(shù)量可為無窮多個(gè)，因此需要計(jì)算決策平面與最近鄰數(shù)據(jù)點(diǎn)最大間隔，利用間隔最大化的方式得出使正例與負(fù)例能夠最好區(qū)分的決策平面。SVM線性分類最優(yōu)分割決策平面圖，如圖2-1所示。圖2-1SVM線性分類最優(yōu)分割超平面圖特征空間中任意點(diǎn)x到超平面的距離表示為:+Txbs。假設(shè)超平面,b可將訓(xùn)練樣本正確分類，則1,11,1TiTixbyxby（2-2）被圈住的正例和負(fù)例距離超平面最近，并且使得公式成立，這些點(diǎn)被稱為支持向量(supportvector)，正負(fù)例支持向量到超平面的距離之和為s，表示間隔。2s（2-3）最大化分離間隔可等價(jià)為:2,1minb2..1,1,,iistyxbim（2-4）

大米產(chǎn)地分類研究相關(guān)技術(shù)16找到滿足公式(2-4)中的約束參數(shù),b使Y最大，即可得到最優(yōu)超平面�？赏ㄟ^拉格朗日乘子法來得到公式(2-4)的對(duì)偶問題，如下：1111min2mmmijijijijjjyyxx1..0,0,1,2,,miiiistyim（2-5）根據(jù)凸最優(yōu)化理論可以證明若***12=,,,m為上述對(duì)偶問題的最優(yōu)解，令****11=,,|0mmiiijiijjiiiyxbyyxxjj（2-6）則**w,b為使最大的最優(yōu)解，最終得到?jīng)Q策函數(shù):**fxsgnxb（2-7）2.2.2BP神經(jīng)網(wǎng)絡(luò)BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)，是1986年由具有“神經(jīng)網(wǎng)絡(luò)之父”之稱的Hinton提出來的。相比于傳統(tǒng)的MLP算法，BP神經(jīng)網(wǎng)絡(luò)有較多的層數(shù)及單元數(shù)，通過結(jié)合反向傳播算法對(duì)神經(jīng)網(wǎng)絡(luò)內(nèi)不同權(quán)重及偏置的優(yōu)化與更新，使得模型能夠擬合較多的線性及非線性分類問題，因此BP神經(jīng)網(wǎng)絡(luò)是當(dāng)今人工智能領(lǐng)域應(yīng)用較多的算法之一。BP神經(jīng)網(wǎng)絡(luò)是一類包含輸入層、隱藏層及輸出層的反向傳播神經(jīng)網(wǎng)絡(luò)，其最明顯的特征是：通過對(duì)誤差反向傳遞來實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)優(yōu)化，通過對(duì)特征的正向傳遞來進(jìn)行數(shù)據(jù)的分析。一個(gè)典型的三層BP神經(jīng)網(wǎng)絡(luò)架構(gòu)圖，如下圖2-2所示。圖2-2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

哈爾濱商業(yè)大學(xué)碩士學(xué)位論文172.2.3隨機(jī)森林算法隨機(jī)森林算法是較為經(jīng)典的一種機(jī)器學(xué)習(xí)算法，其由LeoBreiman和AdeleCutler最早提出，其中所包含的集成學(xué)習(xí)思想在當(dāng)今模式識(shí)別領(lǐng)域仍然活躍。隨機(jī)森林(RandomForest,RF)通過集成多個(gè)決策樹模型來進(jìn)行計(jì)算，最終得到分類模型為hx,k,k1,，且參數(shù)集（k）是獨(dú)立同分布的隨機(jī)向量，在給定自變量x下，隨機(jī)森林中的各個(gè)決策樹模型都會(huì)給出一個(gè)預(yù)測值并利用投票機(jī)制選擇出眾多預(yù)測值中的最優(yōu)分類結(jié)果，隨機(jī)森林原理如圖2-3所示。圖2-3隨機(jī)森林原理圖利用自助采樣法(bootstrapsampling)從原始訓(xùn)練集D中抽取n個(gè)樣本集12,,nDDD，且每個(gè)樣本容量均與原始訓(xùn)練集D一致，未被抽到的樣本為袋外樣本(out-of-bag簡稱OOB),n個(gè)樣本集即對(duì)應(yīng)n個(gè)袋外樣本OOB12,,nOOBOOBOOB;對(duì)12,,nDDD依照hx,k,k1,建立n棵不剪枝的決策樹模型形成森林，以O(shè)OB數(shù)據(jù)集作為驗(yàn)證集檢驗(yàn)每一棵樹模型得到袋外誤分率{error1,error2,error3,...errork},袋外誤差估計(jì)公式(2-8)可用于優(yōu)化模型參數(shù)，判斷模型優(yōu)劣。11kiiOOBestimateerrorerrork（2-8）每一棵決策樹的每一個(gè)節(jié)點(diǎn)均從M個(gè)屬性中隨機(jī)選取m(m+M)個(gè)屬性作為候選屬性，在m個(gè)候選屬性中選擇節(jié)點(diǎn)純度最大的屬性作為最終節(jié)點(diǎn)屬性;由n棵決策樹構(gòu)成了組合分類器，利用n個(gè)模型對(duì)測試集分別進(jìn)行分類，得到n種分類結(jié)果;最后對(duì)n種分類結(jié)果累計(jì)投票決定其最
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡圣英;任紅波;張軍;孟利;;大米產(chǎn)地溯源方法研究進(jìn)展[J];中國農(nóng)學(xué)通報(bào);2020年14期

2 崔志良;安鵬;;吉林省大米品牌發(fā)展情況調(diào)查[J];合作經(jīng)濟(jì)與科技;2020年06期

3 劉金鳳;;大米適度加工檢測技術(shù)及其應(yīng)用分析[J];科學(xué)技術(shù)創(chuàng)新;2020年13期

4 姜山;胡志剛;;大米拋光磨損研究綜述[J];現(xiàn)代制造技術(shù)與裝備;2020年04期

5 ;大米并非越貴越好[J];發(fā)明與創(chuàng)新(大科技);2018年08期

6 ;吉林大米:一個(gè)省級(jí)區(qū)域公用品牌的崛起之道[J];新農(nóng)業(yè);2019年10期

7 王向社;;柬埔寨前4個(gè)月大米出口量同比大增[J];世界熱帶農(nóng)業(yè)信息;2019年06期

8 王向社;;柬埔寨請(qǐng)求馬來西亞幫助購買大米[J];世界熱帶農(nóng)業(yè)信息;2019年07期

9 蔣文全;;新時(shí)期廣西大米品牌發(fā)展策略探討[J];納稅;2018年15期

10 張星寶;;大米紅,小米黃[J];中小學(xué)音樂教育;2008年02期

相關(guān)博士學(xué)位論文 前10條

1 萬鵬;大米品質(zhì)檢測系統(tǒng)研究[D];吉林大學(xué);2009年

2 許慶武;地方特色大米產(chǎn)業(yè)創(chuàng)新發(fā)展研究[D];武漢理工大學(xué);2012年

3 陳建新;過熱蒸汽焙炒黃酒釀造大米機(jī)理及其工程優(yōu)化研究[D];江南大學(xué);2014年

4 陳溪;大米樣品中農(nóng)藥多殘留高通量分析研究[D];沈陽農(nóng)業(yè)大學(xué);2015年

5 Nareerut Seerasarn;泰國和中國消費(fèi)者對(duì)有機(jī)大米的態(tài)度和行為的交叉對(duì)比[D];中國農(nóng)業(yè)科學(xué)院;2015年

6 夏立婭;大米產(chǎn)地特征因子及溯源方法研究[D];河北大學(xué);2013年

7 張鴻;基于相關(guān)性挖掘的跨媒體檢索研究[D];浙江大學(xué);2007年

8 陳善峰;低溫?cái)D壓加酶大米作啤酒輔料的試驗(yàn)研究[D];河北農(nóng)業(yè)大學(xué);2012年

9 范欣;針對(duì)移動(dòng)設(shè)備的跨媒體網(wǎng)絡(luò)信息檢索及自適應(yīng)信息顯示研究[D];中國科學(xué)技術(shù)大學(xué);2007年

10 周興華;兩種轉(zhuǎn)基因大米食用安全性的毒理學(xué)研究[D];江蘇大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 李昂;基于跨媒體特征融合的黑龍江省大米產(chǎn)地分類研究[D];哈爾濱商業(yè)大學(xué);2020年

2 宋美超;基于圖像與文本特征融合的大米分類研究[D];哈爾濱商業(yè)大學(xué);2020年

3 呂思銘;中國大米貿(mào)易的國際競爭力研究[D];黑龍江大學(xué);2016年

4 曾靖;大米品牌競爭力研究[D];華中農(nóng)業(yè)大學(xué);2006年

5 孫源;吉林大米營銷策略研究[D];吉林大學(xué);2020年

6 譚聰;消費(fèi)者視角下中國大米品牌形象提升研究[D];哈爾濱商業(yè)大學(xué);2017年

7 金杰;延邊大米品牌價(jià)值提升研究[D];延邊大學(xué);2016年

8 張帥;我國擴(kuò)大從東盟進(jìn)口大米研究[D];東北財(cái)經(jīng)大學(xué);2015年

9 郭佩佩;泰國大米國際競爭力的研究[D];浙江大學(xué);2014年

10 陳瑋;大米氣調(diào)儲(chǔ)藏過程中脂質(zhì)的變化研究[D];天津科技大學(xué);2007年

本文編號(hào)：2873627