宿州学院学报
宿州學院學報
숙주학원학보
JOURNAL OF SUZHOU COLLEGE
2014年
11期
69-74
,共6页
叶片识别%监督距离%加权局部线性嵌入%降维%支持向量机回归
葉片識彆%鑑督距離%加權跼部線性嵌入%降維%支持嚮量機迴歸
협편식별%감독거리%가권국부선성감입%강유%지지향량궤회귀
针对加权局部线性嵌入(Weighted Locally Linear Embedding,WLLE)算法不能充分挖掘样本类别信息以及传统流形学习算法中利用已有训练样本流形邻域关系近似得到测试样本低维嵌入的低精确性,提出了基于监督加权局部线性嵌入(Supervised Weighted Locally Linear Embedding,S-WLLE)算法和支持向量机回归(Support Vector Regression,SVR)的植物叶片图像识别方法.首先利用叶片样本监督距离代替WLLE算法中的欧式距离,对训练样本进行降雏;然后学习训练样本已有数据得到SVR模型,预测测试样本的低维嵌入;最后利用最近邻分类器分别实现正负类样本以及负负类样本之间的识别.实验表明,该算法不仅提高了正负类叶片的识别精度,而且能够有效实现负负类叶片的识别.
針對加權跼部線性嵌入(Weighted Locally Linear Embedding,WLLE)算法不能充分挖掘樣本類彆信息以及傳統流形學習算法中利用已有訓練樣本流形鄰域關繫近似得到測試樣本低維嵌入的低精確性,提齣瞭基于鑑督加權跼部線性嵌入(Supervised Weighted Locally Linear Embedding,S-WLLE)算法和支持嚮量機迴歸(Support Vector Regression,SVR)的植物葉片圖像識彆方法.首先利用葉片樣本鑑督距離代替WLLE算法中的歐式距離,對訓練樣本進行降雛;然後學習訓練樣本已有數據得到SVR模型,預測測試樣本的低維嵌入;最後利用最近鄰分類器分彆實現正負類樣本以及負負類樣本之間的識彆.實驗錶明,該算法不僅提高瞭正負類葉片的識彆精度,而且能夠有效實現負負類葉片的識彆.
침대가권국부선성감입(Weighted Locally Linear Embedding,WLLE)산법불능충분알굴양본유별신식이급전통류형학습산법중이용이유훈련양본류형린역관계근사득도측시양본저유감입적저정학성,제출료기우감독가권국부선성감입(Supervised Weighted Locally Linear Embedding,S-WLLE)산법화지지향량궤회귀(Support Vector Regression,SVR)적식물협편도상식별방법.수선이용협편양본감독거리대체WLLE산법중적구식거리,대훈련양본진행강추;연후학습훈련양본이유수거득도SVR모형,예측측시양본적저유감입;최후이용최근린분류기분별실현정부류양본이급부부류양본지간적식별.실험표명,해산법불부제고료정부류협편적식별정도,이차능구유효실현부부류협편적식별.
