基于支持向量机的黄连饮片产地识别研究

目的建立基于支持向量机的黄连饮片产地区分识别模型。方法采集4个产地多批黄连样本,量化外部特征值(包括形状、气味、味道等),并按《中国药典》2010年版方法测定内部特征值(包括水分、总灰分、醇浸出物,指标成分表小檗碱、黄连碱、巴马汀、小檗碱质量分数),在Matlab 7.0平台进行数据降维和融合,建立黄连产地区分模型。结果单独分析各项数据不能较好区分各产地黄连饮片,而采用支持向量机建模后所有特征叠加识别率达到97.1%,能准确区分各黄连饮片产地,内外特征的高识别率说明各特征子集间具有一定的互补性,可综合辨识不同产地黄连饮片的差异性。结论建立的基于支持向量机的识别模型,实现产地的区分,为黄连产地区分提供研究思路和基础。     

近红外光谱技术快速鉴别淫羊藿药材产地

目的淫羊藿作为一种药食两用植物,在祛湿补肾方面有显著疗效。应用近红外光谱,以甘肃、陕西和辽宁三个不同产区的淫羊藿为研究对象进行产地鉴别。方法采用主成分分析(principal component analysis,PCA)、前馈人工神经网络(back feed forward-artificial neural network,BP-ANN)和支持向量机(support vector machine,SVM)进行定性判别分析;其中,在支持向量机分类模型中,研究了三种参数寻优方法包括网格全局搜索(grid search)、遗传算法(genetic algorithm,GA)及粒子群算法(particle swarm optimization,PSO)对模型性能的影响。结果 PCA得分图产地间有部分重叠,较难区分;前馈人工神经网络和支持向量机定性识别方法都能完全准确地鉴别产地。结论该研究表明近红外光谱技术结合化学计量学可作为一种快速可靠的方法用于淫羊藿产地的鉴别,并为市场规范提供一种新思路。     

结合PLS-DA与SVM的近红外光谱软测量方法

为了提高近红外光谱分析精度,提出结合偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)的软测量方法(PLS-DA-SVM).该方法利用一组由不同类别组成的训练样本,引入二叉树进行多重分类,节点分类器由PLS-DA方法建立;利用偏最小二乘支持向量机(PLS-SVM)建立每类样本的定量模型.预测时,用PLS-DA分类树对待测样本进行分类,选择相应的PLS-SVM模型进行定量分析.实验利用PLS-DA-SVM方法和近红外光谱数据建立汽油的研究法辛烷值软测量模型,针对2个批次共计57个成品汽油样本进行蒙特卡洛交叉检验.结果表明,对汽油牌号进行识别,平均分类错误率为0.07％,低于其他常用分类方法;对研究法辛烷值进行预测,均方误差达到0.243,复相关系数达到0.991,较PLS、LS-SVM等方法有显著提高.     

基于回归算法与决策树思想的秦艽产地划分

目的:药材产地对药材品质优劣影响很大,不同产地秦艽品质差异较大,使用秦艽样本近红外光谱数据构建模型,实现秦艽样本产地划分。方法:将多元线性回归算法(MLR)、偏最小二乘回归算法(PLS)、支持向量回归算法(SVR)和岭回归算法(RR)与决策树思想相结合对样本进行分类。结果:秦艽数据集包含207个样本,其中107个样本来自甘肃玛曲县,100个秦艽样本来自甘肃临洮县,模型的误判率在0.3%左右。结论:将回归算法与决策树思想相结合的方法可以提高模型的性能,使得算法既拥有回归算法强大的拟合能力,又拥有决策树的分类能力。在秦艽样本数据上得到了很好的分类效果。     

基于高光谱成像技术的中药栀子产地识别北大核心CSCD

为实现快速无损识别中药栀子的产地,建立一种基于高光谱成像技术的方法。利用高光谱成像系统分别从可见-近红外波段(410~990 nm, VNIR)和短波红外波段(950~2 500 nm, SWIR)获取8个产地栀子样品的高光谱图像,使用ENVI 5.3软件提取并计算感兴趣区域内的平均光谱反射率,最终获得1 600个样品的光谱数据。将VNIR和SWIR的光谱数据结合即得覆盖410~2 500 nm的可见-短波红外波段(即融合波段)光谱数据。从VNIR、SWIR和融合波段这3个维度,使用多元散射校正、Savitzky-Golay平滑、标准正态变换、一阶导数(FD)和二阶导数等5种常用的预处理方法,对3组光谱数据进行降噪处理。使用偏最小二乘判别分析、线性支持向量机分类器(LinearSVC)和随机森林这3种分类算法分别建立栀子产地识别模型。结果表明,融合波段光谱数据经FD预处理后建立的栀子产地识别模型结果较好。根据混淆矩阵评估结果,使用LinearSVC构建的模型预测集识别准确率达到100%,确定栀子产地最佳识别模型为融合波段-FD-LinearSVC。因此,高光谱技术能够实现快速、无损、准确地识别不同产地栀子样品,可为栀子及其他中药材鉴别检测提供技术参考。     

基于HOG-LBP特征的中药饮片图像识别

目的通过对方向梯度直方图(HOG)、局部二值模式(LBP)等特征提取及融合的方法研究,实现有效的中药饮片图像识别。方法分析HOG和LBP特征,进行特征融合,采取支持向量机(SVM)分类算法,在采集整理的中药饮片图像数据集基础上对算法进行训练、测试和改进,从而获得有效的中药饮片多分类模型,并将模型与其他算法进行比较,评价算法的有效性。结果通过对30种中药饮片2927张图像的训练和测试,等价模式下的HOG-LBP融合特征算法的饮片图像识别率达91.16%,优于传统算法。结论等价模式下HOG-LBP融合特征结合SVM分类器的方法具有较高的识别率,可有效应用于中药饮片的识别和分类。进一步提高数据种类和数据量,有助于提高算法的适用性和识别效果。     

支持向量机算法在中医证候信息分类中的应用

目的: 探讨带先验知识的支持向量机(P-SVM )数据挖掘算法在中医证候信息自动分类中的应用。方法: 以中医证候数据库收集的30余万条中医证候文献信息作为训练和测试数据集, 以中医专业知识作为先验知识, 将样本集置信度通过带权分类间隔导入SVM 模型中进行分类, 计算其分类置信度。结果: 在有中医专业知识的情况下, 中医证候信息分类的正确率得到了很大的提高, 正确率约为95%。结论: P- SVM 算法是统计学习理论在小样本数据集中较成功的应用, 能对中医证候信息进行有效的分类, 实现了数据挖掘技术在中医证候信息研究中的应用。实验表明P-SVM算法能把先验知识与训练样本中的信息量很好地结合起来, 对一种对中医证候信息进行正确分类的有效算法。     

基于高光谱成像技术融合光谱和图像特征鉴别不同产地的甘草

基于高光谱成像技术从可见-近红外波段(VNIR,435～1 042 nm)和短波红外(SWIR,898～1 751 nm)波段提取光谱和图像特征,融合数据建立分类模型,鉴别不同产地甘草药材.提取甘草样品高光谱数据的光谱特征,结合多种预处理算法对光谱数据进行降噪处理,利用偏最小二乘判别分析(PLS-DA)、支持向量机分类...     

基于近红外高光谱成像鉴别不同产地的红参

目的：建立一种基于近红外(NIR)高光谱成像技术融合近红外光谱和图像纹理特征,鉴别不同产地红参药材的方法。方法：提取红参ROI近红外高光谱数据,采用多种预处理算法对光谱数据进行降噪处理。利用灰度共生矩阵(GLCM)和灰度游程矩阵(GLRLM)提取图像纹理特征,实现NIR光谱和图像纹理数据融合。利用偏最小二乘判别分析(PLS-DA)和支持向量机分类(SVC)建立产地分类模型。结果：全波段光谱融合GLRLM所构建的模型性能最佳,准确率分别为90.0%和91.2%。进一步地使用混淆矩阵和ROC曲线对模型进行评估。混淆矩阵中SVC模型表现优异,对吉林、黑龙江和辽宁3个产地的分类准确率可达100%、91%和83%;经ROC特征曲线评估,2个模型的最优曲线下面积值分别达到了0.97和0.96。结论：本研究为快速鉴别红参药材不同产地提供了一种新方法。     

基于近红外光谱和SVM算法对琥珀掺伪的定性鉴别与定量分析

目的:本研究利用近红外光谱结合支持向量机算法(SVM)等多种化学计量学方法建立定性模型对正品琥珀与掺松香伪品进行鉴别,并建立定量模型对琥珀中掺入松香的含量进行定量预测。方法:首先采用近红外光谱扫描琥珀、松香以及按照琥珀与松香不同质量比配制的掺伪品。在对正品琥珀与掺有松香的掺伪品定性分析时,对采集的原始图谱分别进行矢量归一化、一阶求导预处理,利用主成分分析法对原始光谱和不同预处理后的光谱降维,采用支持向量机分类法(SVC)对琥珀和掺有松香的琥珀掺伪品建立定性鉴别模型,进行分类预测,对比不同预处理方法下的模型预测性能并确定最佳预处理方法。在定量分析中,分别应用偏最小二乘法(PLS)和支持向量机回归法(SVR),对琥珀掺伪品中松香的含量进行建模和预测。支持向量机(SVM)模型参数采用网格搜索法(grid search)、粒子群算法(PSO)和遗传算法(GA)进行优化,比较不同的优化方法确定的参数所建模型效果。结果:建立的VN-GA-SVC模型校正集和验证集预测准确率分别达到100%和97.37%;应用PLS和SVR建立的定量模型决定系数R~2均达到99.7%以上,MSE最低达到3.03×10-4。结论:该研究建立的定性、定量模型稳定性好,预测结果准确可靠,能够实现琥珀与掺松香伪品的鉴别以及松香含量的定量预测。     

常用分类算法在脑梗死预测中的比较研究

目的:比较常用分类算法对脑梗死的分类预测能力.方法:将反映动脉弹性的6个脉搏波参数加年龄、性别一共8个指标作为每个样本的特征.把样本按3:1随机分为训练集和测试集两部分.分别利用人工神经网络(ANN)、贝叶斯(Bayes)、决策树(Decision Tree,DT)、K邻近法(k-NN)、支持向量机(SVM)算法构造分类器,使用各分类器对训练集样本进行学习以建立分类预测模型,再用测试集测试各个模型的分类准确度.结果:SVM分类器和DT分类器效果较好,准确率超过80%.结论:以反映血管弹性的脉搏波参数结合性别、年龄作为特征并使用SVM或者DT算法来构建分类预测模型,有一定实用价值.     

基于支持向量机的中风病中医证候分类

目的:研究基于机器学习的中风病中医证候分类模型,推进中医证候分类的数字化、自动化与智能化.方法:利用支持向量机(SVM)、BP神经网络与梯度提升决策树(GBDT),以年龄、性别、身高、体质量与临床中风病常见的症状,包括中风主要症状、舌象、脉象数据作为输入,以中风临床常见证候——气虚血瘀证的判断作为输出,建立中风病中医证...     

支持向量机算法在中医证候信息分类中的应用

目的:探讨带先验知识的支持向量机(P-SVM)数据挖掘算法在中医证候信息自动分类中的应用。方法:以中医证候数据库收集的30余万条中医证候文献信息作为训练和测试数据集,以中医专业知识作为先验知识,将样本集置信度通过带权分类间隔导入SVM模型中进行分类,计算其分类置信度。结果:在有中医专业知识的情况下,中医证候信息分类的正确率得到了很大的提高,正确率约为95%。结论:P-SVM算法是统计学习理论在小样本数据集中较成功的应用,能对中医证候信息进行有效的分类,实现了数据挖掘技术在中医证候信息研究中的应用。实验表明P-SVM算法能把先验知识与训练样本中的信息量很好地结合起来,对一种对中医证候信息进行正确分类的有效算法。     

不同产地麦冬1H-NMR模式识别研究

目的 建立一种基于氢核磁共振-模式识别的不同产地麦冬鉴别新方法 .方法 以1H-NMR技术测定样品的全成分信息,并转化成数据矩阵,采用模式识别法中的主成分分析(PCA)、偏最小二乘法-N别分析(PLS-DA)以及聚类分析(HCA)进行识别分析.结果 氢核磁共振-模式识别法能有效地鉴别不同产地的麦冬样本.结论 氢核磁共振-模式识别法是一种有效的药材分类鉴别方法 ,可作为药材质量控制的手段之一.     

基于颜色特征和支持向量机的焦栀子炮制程度识别方法

目的：量化焦栀子炮制过程中的颜色变化,探索基于颜色特征和支持向量机的焦栀子炮制程度识别方法。方法：构建不同炮制程度的栀子过程样品图像数据集,分割栀子过程样品图像的目标区域并提取其L、a、b颜色值,与栀子粉末的L、a、b进行相关性分析。将颜色特征进行主成分分析,并将特征向量输入支持向量机进行焦栀子炮制程度识别。结果：本方法的a和b值与栀子粉末的a和b值呈高度相关性,分别为0.99和-0.96,L值和Eab值相关性较弱,分别为0.60和0.77。主成分分析验证得到的分类模型良好,建立的支持向量机模型对焦栀子炮制程度的识别准确率达到100%。结论：基于颜色特征和支持向量机对焦栀子炮制程度的识别效果较优。     

SVM方法在《伤寒论》方小样本分类识别中的应用

支持向量机(Support Vector Machine,SVM)方法是V.N.Vapnik等人20世纪60年代提出的基于统计学习理论的新型学习方法,到90年代中期,这一理论才开始受到越来越广泛的重视,并且这一新的理论方法在解决模式识别中小样本、非线性及高维识别问题中表现出独特的优势和良好的应用前景[1].对于SVM方法用于分类研究的高效性和准确率,国外有人已经将其与16种已有的分类方法进行了比较,得出SVM方法最优的结论[2].目前该方法已在很多领域得到了广泛应用,如人脸检测[3]、文本自动分类[4]、生物信息学[5]、医疗诊断[6]等等.笔者针对<伤寒论>类方小样本分类识别问题,对该方法进行了初步实验,结果表明该方法具有较好的识别性能.     

肠道菌群与中医体质相关性研究

目的：通过χ²检验以及肠道菌群与不同中医体质的关系模型的构建,以证明肠道菌群与不同中医体质的相关性。方法：基于问卷调查对114名受试者进行体质分类,同时收集各受试者粪便,利用16S rRNA测序技术获得肠道菌群种水平层面相对丰度的定性数据,通过χ²检验筛选出与不同中医体质关系密切的肠道差异菌群。基于基尼系数筛选出特征菌种并分别用朴素贝叶斯(NB)、K近邻(IBK)、支持向量机(SVM)、随机森林(RF)、反向传播神经网络(BPNN)5种算法进行肠道菌群与中医体质关系模型构建。结果：在P<0.05χ²检验水平上,不同的肠道菌群与9种体质相关在一定程度上具有明显差异。基于基尼系数构建二者的关系模型,除气虚质外,其余体质都能构建关系模型,其受试者工作特征曲线下面积在0.7以上。结论：基于肠道菌群与不同中医体质构建的模型是合理可靠的,说明不同肠道菌群与9种中医体质具有一定的相关性。     

红外光谱结合化学计量学鉴别獐牙菜属植物

目的:采用傅里叶变换红外光谱(FTIR)结合化学计量学实现獐牙菜属植物快速、准确鉴别。方法:采集川东獐牙菜、青叶胆、紫红獐牙菜、狭叶獐牙菜和西南獐牙菜不同部位(根、茎、叶) 543份样品红外光谱信息,原始数据经标准正态变量(SNV),多元散射校正(MSC),平滑(SG),一阶导数(1D),二阶导数(2D),三阶导数(3D)等处理后删减4 000～3 700,2 799～1 800 cm~(-1)和682～653 cm~(-1)波段,建立偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。结果:5种獐牙菜属植物相同部位平均光谱较为相似,无法区分,同一物种不同部位光谱特征峰有差异,复杂程度为叶茎根;根、茎和叶3个部位PLS-DA和SVM模型均能准确鉴别5种獐牙菜属植物,且MSC+SG+2D预处理效果最佳。PLS-DA模型R~2Y 0. 8,RMSEP RMSECV,所建模型稳定,效果好,Q~2超过0. 6,预测集正确率达到100%,所有预测集样品分类正确,模型预测能力强。根、茎和叶SVM模型最优惩罚参数c分别为22. 627 4,2和1. 414 2,均在正常范围内,预测集正确率均为100%,分类准确率高。结论:FTIR结合PLS-DA和SVM模型能准确区分不同獐牙菜属植物,模型预测效果好,为其他植物鉴别提供一定的参考依据。     

支持向量机方法在《伤寒论》方分类建模中的应用

支持向量机(Suport Vector Machine,SVM)方法是20世纪90年代出现的一种新的分类方法,已初步表现出很多优于已有方法的性能。有人把SVM方法与其他16种已有的方法作了系统的比较,     

基于SVM的中医心系证候分类研究

本文介绍了SVM 支持向量机的分类技术,以中医心系503 个样本为例,利用SVM 进行中医心系证候分类研究,实验结果表明,该方法在证候分类中能达到较高的准确率。