CN104318260A - 一种基于分组支持向量机的裘皮近红外光谱鉴别的方法 - Google Patents

Abstract

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。

Description

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

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

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。

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。

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

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。

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。

根据上述构思，本发明采用下述技术方案。

(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：

(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，组合成个组合(n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，形式为：

$\underset{w,b,\mathrm{\ρ},\mathrm{\ξ},{\mathrm{\ξ}}^{*}}{\min }\frac{1}{2}(w\·w)+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{r_1}{2}(w_r\·w_r)+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{r_2}{2}(w_r^{*}\·w_r^{*})-v{\mathrm{\ρ}}^2\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{1}{v_r^{+}{m}_r^{+}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\ξ}}_i^r+{\mathrm{\ξ}}_i^{*})+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{1}{v_r^{-}{m}_r^{-}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\ξ}}_j^r$

$s.t.w\·z_i+b\≤1+{\mathrm{\ξ}}_i^r,i\∈T_r^{+},r=1,...,t$

$w\·z_i+b\≥-1-{\mathrm{\ξ}}_i^{r^{*}},i\∈T_r^{+},r=1,...,t$

$w\·z_i+b\≥1+{\mathrm{\ρ}}^2-{\mathrm{\ξ}}_i^r,j\∈T_r^{\text{-}},r=1,...,t$

${\mathrm{\ξ}}_i^r=(w_r\·z_i^r)+d_r,{\mathrm{\ξ}}_i^r\≥0,i\∈T_r,r=1,...,t$

${\mathrm{\ξ}}_i^{r^{*}}=(w_r^{*}\·z_i^r)+d_r^{*},{\mathrm{\ξ}}_i^{r^{*}}\≥0,i\∈T_r,r=1,...,t---\left(1\right)$

其中，特征向量x_i(i∈T_r)被映射到两个空间，一个通过映射函数φ(x_i)＝z_i映射到决策空间Z，另一个是通过映射函数映射到纠正空间Z_r，ξ_i和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，w_r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，和分别表示正类和负类中组的编号(r＝1,...,t)，和表示正类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+ρ²表示负类到分类超平面的距离，r₁和r₂为正实数；

上式可以转换成如下的二次规划形式：

$\begin{array}{c}\underset{\mathrm{\α},\mathrm{\β}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(z_i\·z_j)+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}\underset{j\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i{\mathrm{\β}}_j(z_i\·z_j)\\ -2\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}\underset{j\∈T_r}{\mathrm{\Σ}}{\mathrm{\β}}_i{\mathrm{\α}}_j{y}_i{y}_j(z_i\·z_j)+\frac{1}{r_1}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i,j\∈T_r}{\mathrm{\Σ}}({\mathrm{\α}}_i+{\mathrm{\γ}}_i-{\mathrm{\λ}}_i)({\mathrm{\α}}_j+{\mathrm{\γ}}_j-{\mathrm{\λ}}_j)(z_i^r\·z_j^r)\\ +\frac{1}{r_2}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i,j\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\μ}}_i+{\mathrm{\β}}_i-\frac{1}{v_r^{+}{m}_r^{+}})({\mathrm{\μ}}_j+{\mathrm{\β}}_j-\frac{1}{v_r^{+}{m}_r^{+}})(z_i^r\·z_j^r)\end{array}$

$s.t.\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\α}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\α}}_j=0$

$\frac{1}{v_r^{+}}=\underset{i\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\β}}_i+{\mathrm{\μ}}_i),r=1,...,t$

$\frac{1}{v_r^{-}}=\underset{i\∈T_r}{\mathrm{\Σ}}({\mathrm{\α}}_i+{\mathrm{\γ}}_i)-\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\μ}}_i,r=1,...,t$

$\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\α}}_j=v---\left(2\right)$

其中式(2)中的λ_i的值为：

${\mathrm{\λ}}_i=\left\{\begin{array}{c}1/v_r^{+}{m}_r^{+},i\∈T_r^{+},r=1,...,t\\ 1/v_r^{-}{m}_r^{-},i\∈T_r^{-},r=1,...,t\end{array}\right.$

求解式(1)和式(2)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(1-|w^*·φ(x)+b^*|)      (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。

本发明的有益效果：

1)利用光谱技术分析裘皮信息，光谱分析的过程不超过30秒，分析速度快；

2)利用基于分组支持向量机对裘皮光谱数据进行分类识别，分类的过程不超过30秒，识别速度快；

3)设计的基于分组支持向量机通过将特征向量分组后再进行训练，并将特征向量映射到两个特征空间，能达到挖掘数据内在的结构化信息和提高分类器泛化水平的作用；且在分类时将一类数据限定在一个区域内，另一类数据与这个区域尽可能地远离，以此达到分类大间隔的目的；

4)采用KPCA方法提取光谱特征，通过引入核函数把数据非线性地映射到高维核空间，得到的特征数据更具有分类识别性，提高判别效果；

5)对裘皮样本进行无损鉴别，不使用任何化学试剂，不污染环境，鉴别后的裘皮样本仍能用于生产、日常使用。

附图说明

图1是本发明的一种基于分组支持向量机的裘皮近红外光谱鉴别的方法的总流程图；

图2是实施例中狐狸皮样本的近红外光谱图；

图3是图1中步骤(4)所述的鉴别裘皮种类的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体事实例，并参照附图，对本发明进一步详细说明。

本发明的一种基于分组支持向量机的裘皮近红外光谱鉴别的方法适用于多个品种的裘皮分类，例如：狐狸皮、獭兔皮、貂皮、貉皮、鼠皮等裘皮的分类。

作为一个具体的实施例，以狐狸皮、獭兔皮、貂皮、貉皮和其他类共5种裘皮作为例子进行阐述。

本发明的总实施流程图如图1所示，具体实施如下：

(1)：采集不同种类裘皮的近红外光谱数据样本。

(11)采集不同种类裘皮的近红外光谱数据：取狐狸皮、獭兔皮、貂皮、貉皮和其他类共5种裘皮样本各50个，共计250个样本。本实施例中使用MPA型傅里叶变换近红外光谱仪，运用光学分析软件OPUS 5.5对裘皮的近红外光谱进行采集。近红外光谱仪的仪器参数设定为：用白板作参比，光谱扫描范围为12000-4000nm，仪器分辨率8cm^-1，光谱仪置于裘皮上方距离裘皮表面200nm、探头视场角为20度，光源与水平位置成60度照射。光谱扫描稳定后进行光谱数据的采样，扫描次数设为50，保存裘皮近红外光谱数据和其类别信息，并取其平均值作为最终的实验数据。其中，50个狐狸皮样本的近红外光谱如图2所示。

(12)对上述采集的裘皮近红外光谱数据进行预处理：对近红外光谱数据进行预处理的目的是为了消除或降低不确定的随机噪声、基线漂移、样本不均匀等对光谱数据的干扰，以及近红外光谱仪状态、测定条件等环境因素的影响。常见的预处理方法有：数字滤波、平滑法、导数法、向量归一化、中心化和标准化处理等。本实施例中先采用Savitzky2Golay卷积平滑法过滤掉光谱数据中的噪声数据，然后使用一阶导数法进行消除光谱平移的处理，再使用向量归一化对光谱数据进行处理，以消除光谱采样中产生的随机误差。

(13)在满足主成分的累积可信度≥99.95％的条件下，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数据训练样本：在满足主成分的累积可信度≥99.95％的条件下，采用KPCA方法对所述裘皮近红外光谱信息进行特征提取，本实施例中使用核函数为Gaussian RBF kernel：k(x,y)＝exp(-σ||x-y||²)，σ＝0.5。本实施例的主成分累计可信度如表1所示(累计可信度＝前n个主成分特征值除以总的特征值之和)，前7个主成分累计可信度为100％。因此本实施例将裘皮光谱数据降维至7维，并将前7个主成分作为特征数据构成训练样本。

表1前7个主成分及其累计可信度

主成分	1	2	3	4	5	6	7
								累计可信度(％)	81.23	97.85	99.50	99.72	99.87	99.94	100

(2)建立裘皮近红外光谱数据训练集，其具体步骤如下：

(21)本实施例共有5种裘皮，进行两两组合，组合成10个组合：狐狸皮和獭兔皮、狐狸皮和貂皮、狐狸皮和貉皮、狐狸皮和其它种类、獭兔皮和貂皮、獭兔皮和貉皮、獭兔皮和其它种类、貂皮和貉皮、貂皮和其它种类、貉皮和其它种类；根据这10个组合构建10个裘皮训练集，每个训练集由每种组合对应的特征向量组成；

(22)根据第一主成分得分的值，对训练集进行排序，然后根据排序结果，将训练集划分成3组，分组的原则是每组的样本个数大致相等。

(3)构建裘皮种类分类器，其具体步骤如下：

(31)将划分组后的训练集输入到基于分组支持向量机中进行训练，基于分组支持向量机的形式如下：

$\underset{w,b,\mathrm{\ρ},\mathrm{\ξ},{\mathrm{\ξ}}^{*}}{\min }\frac{1}{2}(w\·w)+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{r_1}{2}(w_r\·w_r)+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{r_2}{2}(w_r^{*}\·w_r^{*})-v{\mathrm{\ρ}}^2\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{1}{v_r^{+}{m}_r^{+}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\ξ}}_i^r+{\mathrm{\ξ}}_i^{*})+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{1}{v_r^{-}{m}_r^{-}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\ξ}}_j^r$

$s.t.w\·z_i+b\≤1+{\mathrm{\ξ}}_i^r,i\∈T_r^{+},r=1,...,t$

$w\·z_i+b\≥-1-{\mathrm{\ξ}}_i^{r^{*}},i\∈T_r^{+},r=1,...,t$

$w\·z_i+b\≥1+{\mathrm{\ρ}}^2-{\mathrm{\ξ}}_i^r,j\∈T_r^{\text{-}},r=1,...,t$

${\mathrm{\ξ}}_i^r=(w_r\·z_i^r)+d_r,{\mathrm{\ξ}}_i^r\≥0,i\∈T_r,r=1,...,t$

${\mathrm{\ξ}}_i^{r^{*}}=(w_r^{*}\·z_i^r)+d_r^{*},{\mathrm{\ξ}}_i^{r^{*}}\≥0,i\∈T_r,r=1,...,t---\left(1\right)$

其中，特征向量x_i(i∈T_r)被映射到两个空间，一个通过映射函数φ(x_i)＝z_i映射到决策空间Z，另一个是通过映射函数映射到纠正空间Zr，ξ_i和为松弛变量且都表示成纠正函数的形式，w表示分类超平面的法向量，w_r是纠正函数的法向量，t表示步骤(22)中划分的组的个数，r表示组的编号，和分别表示正类和负类中组的编号(r＝1,...,t)，和表示正类r组和负类r组中样本的个数(r＝1,...,t)，v在网格{10,30,50,70,90}中寻优获得最优值，和(r＝1,...,t)在网格{0.001,0.01}中寻优获得最优值，ρ²是一个正数，1+ρ²表示负类到分类超平面的距离，平衡因子r₁和r₂通过在网格{0.001,0.1,0.1,1,10}中寻优获得最优值，本实施例中φ(x_i)和(x_i)使用核函数为Gaussian RBF核，分别表示为k₁(x,y)＝exp(-σ₁||x-y||²)和k₂(x,y)＝exp(-σ₂||x-y||²)，σ₁和σ₂通过在网格{0.1,0.2,0.4,0.6,1,1.5,3}中寻优获得最优值，σ₁和σ₂的值可以相同也可以不同。

上式可以转换成如下的二次规划形式：

$\begin{array}{c}\underset{\mathrm{\α},\mathrm{\β}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(z_i\·z_j)+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}\underset{j\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i{\mathrm{\β}}_j(z_i\·z_j)\\ -2\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}\underset{j\∈T_r}{\mathrm{\Σ}}{\mathrm{\β}}_i{\mathrm{\α}}_j{y}_i{y}_j(z_i\·z_j)+\frac{1}{r_1}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i,j\∈T_r}{\mathrm{\Σ}}({\mathrm{\α}}_i+{\mathrm{\γ}}_i-{\mathrm{\λ}}_i)({\mathrm{\α}}_j+{\mathrm{\γ}}_j-{\mathrm{\λ}}_j)(z_i^r\·z_j^r)\\ +\frac{1}{r_2}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i,j\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\μ}}_i+{\mathrm{\β}}_i-\frac{1}{v_r^{+}{m}_r^{+}})({\mathrm{\μ}}_j+{\mathrm{\β}}_j-\frac{1}{v_r^{+}{m}_r^{+}})(z_i^r\·z_j^r)\end{array}$

$s.t.\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\α}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\α}}_j=0$

$\frac{1}{v_r^{+}}=\underset{i\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\β}}_i+{\mathrm{\μ}}_i),r=1,...,t$

$\frac{1}{v_r^{-}}=\underset{i\∈T_r}{\mathrm{\Σ}}({\mathrm{\α}}_i+{\mathrm{\γ}}_i)-\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\μ}}_i,r=1,...,t$

$\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\α}}_j=v---\left(2\right)$

其中式(2)中的λ_i的值为：

${\mathrm{\λ}}_i=\left\{\begin{array}{c}1/v_r^{+}{m}_r^{+},i\∈T_r^{+},r=1,...,t\\ 1/v_r^{-}{m}_r^{-},i\∈T_r^{-},r=1,...,t\end{array}\right.$

(32)由式(1)和式(2)求解得到最优解w^*，b^*，构建裘皮种类分类器，裘皮种类分类器的形式为：

f(x)＝sgn(1-|w^*·φ(x)+b^*|)      (3)

(4)如图3所示，利用裘皮种类分类器对待鉴别裘皮样本进行鉴别，其具体步骤如下：

(41)本实施例中重新采集狐狸皮、獭兔皮、貂皮、貉皮各20个样本，利用近红外光谱仪，得到待鉴别裘皮的近红外光谱数据；

(42)对得到的近红外光谱数据进行预处理，使用KPCA方法对其进行特征提取，得到7维的特征数据；

(43)将得到的7维特征数据分别输入到步骤(3)中所述的10个分类器中，得到10个鉴定结果，

例如：把一个特征数据输入到狐狸皮和獭兔皮分类器时，鉴定结果是：狐狸皮；输入到狐狸皮和貂皮分类器时，鉴定结果是：狐狸皮；输入到狐狸皮和貉皮分类器时，鉴定结果是：狐狸皮；输入到狐狸皮和其它种类分类器时，鉴定结果是：狐狸皮；输入到獭兔皮和貂皮分类器时，鉴定结果是：獭兔皮；输入到獭兔皮和貉皮分类器时，鉴定结果是：貉皮；输入到獭兔皮和其它种类分类器时，鉴定结果是：其它种类；输入到貂皮和貉皮分类器时，鉴定结果是：貉皮；输入到貂皮和其它种类分类器时，鉴定结果是：其它种类；输入到貉皮和其它种类分类器时，鉴定结果是：其它种类；

(44)采用投票机制统计上述10个分类器的裘皮种类鉴定结果，10个结果中狐狸皮占得多，该裘皮种类鉴定为狐狸皮。

本实施例的鉴别准确率(％)如表2所示，并将本发明方法的结果与普通的支持向量机、k-means聚类和普通的神经网络方法进行了对比，实验的平台均为MATLAB 2009(a)。

表2：本发明方法与支持向量机、k-means聚类和神经网络的鉴别准确率(％)

裘皮类型	本发明方法	支持向量机	k-means聚类	神经网络
					狐狸皮	100	93.33	86.67	86.67
獭兔皮	100	100	91.67	86.67
					貂皮	100	91.67	93.33	93.33
貉皮	100	80	80	80

以上所述的实例只是用于说明本发明，而不构成对本发明的限制。本领域的技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种修改和变更，这些修改和变更仍然在本发明的保护范围内。

Claims (1)

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，组合成个组合(n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：

$\underset{d_1^{*},...d_r^{*}}{\underset{d_1,...d_r,}{\underset{w,b,\mathrm{\ρ},\mathrm{\ξ},{\mathrm{\ξ}}^{*},}{\min }}}\frac{1}{2}(w\·w)+\frac{r_1}{2}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}(w_r\·w_r)+\frac{r_2}{2}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}(w_r^{*}\·w_r^{*})-v{\mathrm{\ρ}}^2+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{1}{v_r^{+}{m}_r^{+}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\ξ}}_i^r+{\mathrm{\ξ}}_i^{r^{*}})+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\frac{1}{v_r^{-}{m}_r^{-}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\ξ}}_j^r$

$s.t.w\·z_i+b\≤1+{\mathrm{\ξ}}_i^r,i\∈T_r^{+},r=1,...,t$

$w\·z_i+b\≥-1-{\mathrm{\ξ}}_i^{r^{*}},i\∈T_r^{+},r=1,...,t$

$w\·z_j+b\≥1+{\mathrm{\ρ}}^2-{\mathrm{\ξ}}_j^r,j\∈T_r^{-},r=1,...,t$

${\mathrm{\ξ}}_i^r=(w_r\·z_i^r)+d_r,{\mathrm{\ξ}}_i^r\≥0,i\∈T_r,r=1,...,t$

${\mathrm{\ξ}}_i^{r^{*}}=(w_r^{*}\·z_i^r)+d_r^{*},{\mathrm{\ξ}}_i^{r^{*}}\≥0,i\∈T_r,r=1,...,t---\left(1\right)$

其中，特征向量x_i(i∈T_r)被映射到两个空间，一个通过映射函数φ(x_i)＝z_i映射到决策空间Z，另一个是通过映射函数映射到纠正空间Z_r，ξ_i和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，w_r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，和分别表示正类和负类中组的编号(r＝1,...,t)，和表示正类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+ρ²表示负类到分类超平面的距离，r₁和r₂为正实数；

上式可以转换成如下的二次规划形式：

$\begin{array}{c}\underset{\mathrm{\α},\mathrm{\β}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(z_i\·z_j)+\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}\underset{j\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i{\mathrm{\β}}_j(z_i\·z_j)\\ -2\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}\underset{j\∈T_r}{\mathrm{\Σ}}{\mathrm{\β}}_i{\mathrm{\α}}_j{y}_i{y}_j(z_i\·z_j)+\frac{1}{r_1}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i,j\∈T_r}{\mathrm{\Σ}}({\mathrm{\α}}_i+{\mathrm{\γ}}_i-{\mathrm{\λ}}_i)({\mathrm{\α}}_j+{\mathrm{\γ}}_j-{\mathrm{\λ}}_j)(z_i^r\·z_j^r)\\ +\frac{1}{r_2}\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i,j\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\μ}}_i+{\mathrm{\β}}_i-\frac{1}{v_r^{+}{m}_r^{+}})({\mathrm{\μ}}_j+{\mathrm{\β}}_j-\frac{1}{v_r^{+}{m}_r^{+}})(z_i^r\·z_j^r)\end{array}$

$s.t.\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\α}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\β}}_i-\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\α}}_j=0$

$\frac{1}{v_r^{+}}=\underset{i\∈T_r^{+}}{\mathrm{\Σ}}({\mathrm{\β}}_i+{\mathrm{\μ}}_i),r=1,...,t$

$\frac{1}{v_r^{-}}=\underset{i\∈T_r}{\mathrm{\Σ}}({\mathrm{\α}}_i+{\mathrm{\γ}}_i)-\underset{i\∈T_r^{+}}{\mathrm{\Σ}}{\mathrm{\μ}}_i,r=1,...,t$

$\underset{r=1}{\overset{t}{\mathrm{\Σ}}}\underset{j\∈T_r^{-}}{\mathrm{\Σ}}{\mathrm{\α}}_j=v---\left(2\right)$

其中式(2)中的λ_i的值为：

${\mathrm{\λ}}_i=\left\{\begin{array}{c}1/v_r^{+}{m}_r^{+},i\∈T_r^{+},r=1,...,t\\ 1/v_r^{-}{m}_r^{-},i\∈T_r^{-},r=1,...,t\end{array}\right.$

求解式(1)和式(2)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(1-|w^*·φ(x)+b^*|)                 (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。