本發(fā)明涉及信息識(shí)別及處理領(lǐng)域，尤其涉及一種中草藥種類及不同產(chǎn)地的識(shí)別分類方法。

背景技術(shù)：

隨著計(jì)算機(jī)技術(shù)、信息處理等的快速發(fā)展，中草藥種類及不同產(chǎn)地的識(shí)別為中草藥的品質(zhì)鑒定等問題尤為重要。相關(guān)中草藥的不同產(chǎn)地研究方式從多個(gè)方面進(jìn)行開展，有效成分與生態(tài)因子間的相關(guān)性研究，有效成分間的差異性研究，中藥材成分的指紋圖譜研究，中草藥成分分析鑒別方法研究，成分元素的波浪式分布研究，中草藥不同部位的有效成分含量研究，運(yùn)用高效液相色譜分析方法研究。為中草藥品質(zhì)鑒定提供一定的理論基礎(chǔ)和實(shí)踐工作指導(dǎo)經(jīng)驗(yàn)。

由于中草藥實(shí)際的數(shù)據(jù)特點(diǎn)，支持向量機(jī)SVM中核函數(shù)及參數(shù)的人工選擇具有一定的局限性和盲目性，運(yùn)用仿生搜索算法解決參數(shù)優(yōu)化的問題，提升分類準(zhǔn)確率和速率。因此，提出一種中草藥種類及不同產(chǎn)地的識(shí)別分類方法。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種中草藥種類及不同產(chǎn)地的識(shí)別分類方法，具有參數(shù)設(shè)置簡單、快速檢測、全局搜索能力強(qiáng)等優(yōu)點(diǎn)，為識(shí)別不同產(chǎn)地的中草藥提供基礎(chǔ)。

本發(fā)明所采用的技術(shù)方案：一種中草藥種類及不同產(chǎn)地的識(shí)別分類方法，所述方法的實(shí)現(xiàn)過程包括以下步驟：

步驟一：對中草藥樣本數(shù)據(jù)集進(jìn)行特征提取的預(yù)處理，特征提取后的中草藥樣本數(shù)據(jù)集分成兩組，75％數(shù)據(jù)集作為訓(xùn)練集數(shù)據(jù)，25％數(shù)據(jù)集作為測試集數(shù)據(jù)；

步驟二：構(gòu)建支持向量機(jī)SVM訓(xùn)練模型，確定其涉及到的參數(shù)組合，所述參數(shù)組合包括核函數(shù)參數(shù)和懲罰因子，將所述訓(xùn)練集數(shù)據(jù)作為所述訓(xùn)練模型的輸入；

步驟三：運(yùn)用仿生搜索算法對支持向量機(jī)SVM的參數(shù)組合進(jìn)行尋優(yōu)，在全局范圍內(nèi)獲得最優(yōu)解；

步驟四：根據(jù)獲取的最優(yōu)參數(shù)，對模型進(jìn)行優(yōu)化，將所述測試集數(shù)據(jù)作為優(yōu)化模型的輸入，進(jìn)行數(shù)據(jù)測試，得到中草藥種類及不同產(chǎn)地的識(shí)別分類。

所述方法的實(shí)現(xiàn)過程步驟為：

步驟一中將采集并測量得到的一個(gè)中草藥樣本數(shù)據(jù)信息矩陣F_s向量化，選取其中達(dá)到穩(wěn)態(tài)響應(yīng)值的測量值，組成訓(xùn)練樣本矩其中r代表訓(xùn)練樣本矩陣的行數(shù)，由選取的樣本類，樣本個(gè)數(shù)及穩(wěn)態(tài)時(shí)間值個(gè)數(shù)決定，j代表訓(xùn)練樣本類別個(gè)數(shù)j∈[1,3]，i代表第j類訓(xùn)練樣本個(gè)數(shù)i∈[1,n_i]。

所述方法的實(shí)現(xiàn)過程步驟為：

步驟二中采用徑向基函數(shù)作為支持向量機(jī)的核函數(shù)，其形式為：

其中xi、xj表示提取的中草藥樣本數(shù)據(jù)信息的兩個(gè)不同特征向量；σ是徑向基函數(shù)的寬度參數(shù)。

所述方法的實(shí)現(xiàn)過程步驟為：

步驟三中運(yùn)用仿生搜索算法對支持向量機(jī)SVM的核函數(shù)參數(shù)、懲罰因子進(jìn)行尋優(yōu)，其具體過程步驟為：

1)獲取中草藥樣本數(shù)據(jù)集；

2)確定仿生搜索初始種群個(gè)體數(shù)量number＝20，最大迭代次數(shù)Maxreplace＝100，在[-1,1]范圍內(nèi)生成生物個(gè)體的初始位置；

3)賦予生物個(gè)體隨機(jī)飛行方向與距離，計(jì)算生物個(gè)體所在位置與原點(diǎn)之間的距離Dist_i，獲取味道濃度判定值C_i，其中i表示第i個(gè)生物個(gè)體；

4)將分類準(zhǔn)確率作為適應(yīng)度函數(shù)Fitness function：最佳味道濃度值Smelli＝Fitness function(C_i)；

5)找到適應(yīng)度函數(shù)中最大值對應(yīng)的分類準(zhǔn)確率最高的生物個(gè)體，并保留最佳味道濃度值及其當(dāng)前所在的位置；

6)進(jìn)入迭代尋優(yōu)過程，判別最高分類準(zhǔn)確率是否優(yōu)于前一代最高分類正確率，若是則將當(dāng)前最高分類準(zhǔn)確率的位置坐標(biāo)賦給初始坐標(biāo)，否則返回至步驟3)；判別是否達(dá)到最大迭代次數(shù)，若是則結(jié)束進(jìn)程，否則返回至步驟3)；

7)記錄最優(yōu)參數(shù)，優(yōu)化模型構(gòu)建完畢。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明運(yùn)用仿生搜索算法的參數(shù)設(shè)置簡單、快速檢測、全局搜索能力強(qiáng)等特性，構(gòu)建支持向量機(jī)SVM預(yù)測模型，通過參數(shù)尋優(yōu)后再進(jìn)行模型優(yōu)化，提高了分類準(zhǔn)確率和精度，可有效的應(yīng)用到中草藥種類及不同產(chǎn)地的識(shí)別分類。

附圖說明

圖1為中草藥種類及不同產(chǎn)地的識(shí)別分類總體流程圖。

圖2為仿生搜索算法對支持向量機(jī)SVM的參數(shù)尋優(yōu)流程圖。

圖3為優(yōu)化模型的測試集數(shù)據(jù)樣本判別圖。

圖4為圖3優(yōu)化模型的測試集數(shù)據(jù)樣本判別的所有待測樣本相關(guān)性判別結(jié)果圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例進(jìn)一步說明本發(fā)明的技術(shù)方案。

1.參照附圖1，按以下步驟進(jìn)行：

步驟1：選取安徽何首烏、廣東何首烏、河南何首烏樣品各100克，各備份為20份，每份為5克(g)，切割成面積約1平方厘米的片狀，放置在采集樣品燒杯(200毫升)置于恒溫(60℃)恒濕(75％)的實(shí)驗(yàn)箱中靜置100分鐘。

步驟2：選取20份中的15份樣品(另5份作為未知樣品待檢測)應(yīng)用仿生嗅覺系統(tǒng)對已知安徽何首烏、廣東何首烏、河南何首烏氣味樣品進(jìn)行采集檢測，測量時(shí)間t為100秒(S),采集速率為7.747毫升/分鐘(ml/min)，并將所測數(shù)據(jù)F_s(S₁，S₂，……S_N)保存至計(jì)算機(jī)。

步驟3：對步驟2中采集所得到的測量數(shù)據(jù)采用支持向量機(jī)SVM進(jìn)行識(shí)別判斷訓(xùn)練，其中徑向基和函數(shù)為：

其中xi、xj表示提取的中草藥樣本數(shù)據(jù)信息的兩個(gè)不同特征向量；σ是徑向基函數(shù)的寬度參數(shù)。

運(yùn)用仿生搜索算法對訓(xùn)練模型中的參數(shù)進(jìn)行尋優(yōu)，優(yōu)化模型后再進(jìn)行數(shù)據(jù)測試，得到中草藥種類及不同產(chǎn)地的識(shí)別分類。

2.所述步驟2及步驟3中使用的數(shù)據(jù)集及方法，具體步驟如下：

步驟1)：將采集并測量得到的15份安徽何首烏、廣東何首烏、河南何首烏樣本數(shù)據(jù)信息矩陣F_s向量化，選取其中達(dá)到穩(wěn)態(tài)響應(yīng)值的測量值，組成訓(xùn)練樣本矩陣其數(shù)據(jù)如下表1所示：

表1訓(xùn)練樣本矩陣P_T數(shù)據(jù)

其中r＝45代表訓(xùn)練樣本矩陣的行數(shù)(其中r＝45＝3×15×1，選取的樣本類別個(gè)數(shù)j＝3，每個(gè)類中樣本個(gè)數(shù)i＝10，每個(gè)樣本穩(wěn)態(tài)時(shí)間值個(gè)數(shù)為1)，則訓(xùn)練樣本的均值為

步驟2)：由步驟1)可得到訓(xùn)練樣本去均值后形成的樣本矩陣T＝P_T-μ，T∈R^45×10，則T的協(xié)方差矩陣為

Q＝T×T^T(Q∈R^45×45) (2)

其中T^T是T的轉(zhuǎn)置矩陣。

3.參照附圖2，根據(jù)仿生搜索算法的特點(diǎn)，具體步驟如下所示：

步驟1：算法初始化，設(shè)定仿生搜索初始種群個(gè)體數(shù)量number＝20，最大迭代次數(shù)Maxreplace＝100，在[-1,1]范圍內(nèi)生成生物個(gè)體的初始位置坐標(biāo)(X-axis，Y-axis)；

步驟2：賦予生物個(gè)體隨機(jī)飛行方向與距離，計(jì)算生物個(gè)體所在位置與原點(diǎn)之間的距離Dist_i，獲取味道濃度判定值C_i，其中i表示第i個(gè)生物個(gè)體；

Xi＝X-axis+Random Value；Yi＝X-axis+Random Value

步驟3：將分類準(zhǔn)確率作為適應(yīng)度函數(shù)Fitness function，味道濃度判定值C_i代入其中：

最佳味道濃度值Smelli＝Fitness function(C_i)

步驟3：將分類準(zhǔn)確率作為適應(yīng)度函數(shù)Fitness function，味道濃度判定值C_i代入其中：

最佳味道濃度值Smelli＝Fitness function(C_i)；

步驟4：找到適應(yīng)度函數(shù)中最大值對應(yīng)的分類正確率最高的生物個(gè)體，并保留最佳味道濃度值及其當(dāng)前所在的位置，此時(shí)生物群體向該位置移動(dòng)，每隔固定距離d記錄途徑位置上的氣味濃度值：

Smellbest＝bestSmell

X-axis＝X(bestIndex)；Y-axis＝Y(jié)(bestIndex)

步驟5：進(jìn)入迭代尋優(yōu)過程，判別最高分類準(zhǔn)確率是否優(yōu)于前一代最高分類正確率，若是則將當(dāng)前最高分類準(zhǔn)確率的位置坐標(biāo)賦給初始坐標(biāo)，否則返回至步驟2；判別是否達(dá)到最大迭代次數(shù)，若是則結(jié)束進(jìn)程，否則返回至步驟2；

步驟6：記錄最優(yōu)參數(shù)，優(yōu)化模型構(gòu)建完畢。

未知樣品測試集數(shù)據(jù)分類判別：

從3個(gè)產(chǎn)地何首烏樣品的剩余待測樣品中任意選取5組作為未知樣品，重復(fù)步驟2的操作，并利用SVM算法結(jié)合相關(guān)距離公式：

相關(guān)系數(shù)定義

相關(guān)系數(shù)是衡量隨機(jī)變量X與Y相關(guān)程度的一種方法，取值范圍是[-1,1]。

相關(guān)距離定義

D_xy＝1-ρ_XY

來對5組樣品進(jìn)行判別檢測，判別檢測結(jié)果如圖3所示，能準(zhǔn)確識(shí)別并輸出未知樣品的分類及不同產(chǎn)地的名稱。

綜上所述的本發(fā)明的實(shí)施方式，并不構(gòu)成對本發(fā)明保護(hù)范圍的限定。任何在本發(fā)明的精神原則之內(nèi)所作出的修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利要求保護(hù)范圍之內(nèi)。