对农作物品种正确分类是作物分类学的重要内容,为考察X-ray成像技术对小麦品种分类研究的有效性,基于软X-ray成像仪采集的3品种(Kama,Rosa and Canadian)每个品种70个籽粒,共210个籽粒样本的X-ray扫描图像,并针对其7个形态几何特征(面...对农作物品种正确分类是作物分类学的重要内容,为考察X-ray成像技术对小麦品种分类研究的有效性,基于软X-ray成像仪采集的3品种(Kama,Rosa and Canadian)每个品种70个籽粒,共210个籽粒样本的X-ray扫描图像,并针对其7个形态几何特征(面积、周长、紧致度、籽粒长度、宽度、偏斜度、种子腹沟长度),提出了一种使用Kernel-ICA的方法先对特征进行优化,再进行小麦品种的聚类与识别的方法,并与K-means、C-means 2种聚类方法以及基于工神经网络(ANN)和支持向量机(SVM)2种识别方法的分类结果进行比较,结果发现:分类正确率从高到低分别为:Kernel-ICA、SVM、C-means、K-means、BP-ANN,分类正确率分别为:91.9%、90.5%、89.5%、87.1%、86.9%。研究提出的Kernel-ICA的方法,聚类优化和识别能力较强,对软X-ray成像的小麦品种进行分类,已基本上满足农艺上对小麦品种分类需要,对农作物种质资源鉴别和作物品种分类研究具有积极意义。展开更多
核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA f...核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction,IKDR),该算法在每步迭代估计中只需线性内存开销,大大降低了复杂性.在IKDR的基础上,结合BP(Back propagation)神经网络提出了数据流在线分类框架:IKOCFrame(Online classificationframe based on IKDR).通过一系列真实和人工数据集上的实验,检验了IKDR算法的收敛性,并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.展开更多
文摘对农作物品种正确分类是作物分类学的重要内容,为考察X-ray成像技术对小麦品种分类研究的有效性,基于软X-ray成像仪采集的3品种(Kama,Rosa and Canadian)每个品种70个籽粒,共210个籽粒样本的X-ray扫描图像,并针对其7个形态几何特征(面积、周长、紧致度、籽粒长度、宽度、偏斜度、种子腹沟长度),提出了一种使用Kernel-ICA的方法先对特征进行优化,再进行小麦品种的聚类与识别的方法,并与K-means、C-means 2种聚类方法以及基于工神经网络(ANN)和支持向量机(SVM)2种识别方法的分类结果进行比较,结果发现:分类正确率从高到低分别为:Kernel-ICA、SVM、C-means、K-means、BP-ANN,分类正确率分别为:91.9%、90.5%、89.5%、87.1%、86.9%。研究提出的Kernel-ICA的方法,聚类优化和识别能力较强,对软X-ray成像的小麦品种进行分类,已基本上满足农艺上对小麦品种分类需要,对农作物种质资源鉴别和作物品种分类研究具有积极意义。
文摘核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction,IKDR),该算法在每步迭代估计中只需线性内存开销,大大降低了复杂性.在IKDR的基础上,结合BP(Back propagation)神经网络提出了数据流在线分类框架:IKOCFrame(Online classificationframe based on IKDR).通过一系列真实和人工数据集上的实验,检验了IKDR算法的收敛性,并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.
