支持向量机是一种监督学习技术,可以应用于分类或回归( 11]。支持向量机算法是基于统计学习理论和Vapnik-Chervonenkis (VC)维度[ 12]。

这些算法试图找到一个独特的超平面的最大利润SVM模型分离不同的类。SVM分类,也可用于复杂模型采用非线性内核。核函数的作用是在原始输入空间执行计算而不是高维(甚至无限)特征空间( 11]。因为只有参与支持向量机内积,学习和预测多层神经网络(要快得多 5]。图 2显示了一种支持向量机与一个测试模式的结构 x t 和支持向量 x 1 , … , x n 这是非线性函数映射到特征空间吗 ϕ ( x ) ,并且计算点的产品( 11]。

支持向量机有一个更快的训练时间等统计训练方法和使用更少的内存空间。然而,在图像分类应用程序使用的原始图像作为训练支持向量机的输入会导致很大的内存空间,因此利用很长的训练时间。因此,在本研究中,我们使用鱼眼的特点和鱼皮图像作为训练支持向量机的一部分,而不是原始的图像。

最优分离超平面(OSH)是超平面的最大优势对于一个给定的有限集的学习模式( 11]。线性支持向量机执行二进制模式分类找到奥什函数 f ( x ) = w T x − b 。的参数 w 和 b取决于学习的例子。 w T 是转置矩阵的 w 。假设线性可分的数据 { x 我 } 和他们的类标签 { y 我 } ( y 我 ∈ { − 1 , + 1 } )。在可能的线性判别函数,给定的数据没有错误进行分类,分类器函数的目的是找到一个奥什的分离表面分离两类模式最大利润(表面之间的最大距离和最近的数据点的每个类)( 5]。这些最近的点到超平面称为支持向量。合成超平面称为奥什。最优权向量, w ,被定义为 (1) w = ∑ 我 = 1 l α 我 y 我 x 我 。 因此,分离超平面的方程是由两个不同的类 (2) f ( x ) = ∑ 我 = 1 l α 我 y 我 x 我 ⋅ x − b 。 系数 { α 我 } 是由求解一个二次规划问题。 α 我 只支持非零向量。这意味着,参数 w给出了一个线性支持向量机的支持向量的线性组合。

上述学习方法可以扩展到非线性分类器。

让 Φ : X → F 是一个从输入空间的非线性映射 X一些特征空间 F。我们可以构造一个线性分类器的特征空间,利润最大化是我们在输入空间。给出的判别函数 (3) f ( x ) = ∑ 我 = 1 l 〈 α 我 y 我 φ ( x 我 ) , φ ( x ) 〉 F − b , 在哪里 〈 ⋅ , ⋅ 〉 F 。 表明特征空间的内积 F。

非线性支持向量机学习,我们不需要显式地指定的非线性映射 ϕ 。我们需要的是一个“核函数” k( x, y),使特征空间的内积: (4) k ( x , y ) = 〈 φ ( x ) , φ ( y ) 〉 F 。 通过引入核函数,特征空间是隐式地指定。

决策函数的输入向量 x被定义为 (5) f ( x ) = ∑ 我 ∈ SV α 我 y 我 k ( x , x 我 ) − b , 在哪里 x 我 ( 我 ∈ SV ) 表示一个学习向量,SV表示支持向量的集合。 k( a、b)是核函数。分类结果是由函数的符号 f ( x ) 。

的参数 { α 我 } 通过解决下面的二次规划问题: (6) Maxmine : ∑ 我 = 1 l α 我 − 1 2 ∑ 我 = 1 l ∑ j = 1 l α 我 α j k ( x 我 , x j ) y 我 y j 。 受 : ∑ 我 = 1 l α 我 y 我 = 0 , 0 ≤ α 我 ≤ C , C是一个惩罚参数学习错误。

支持向量机的学习方法是结构风险最小化(紧密相关 12),从而支持向量机可以将具有良好的泛化能力。

Max-Win [ 13]算法可能是最典型的1-v-1多级识别的方法。分类器的总数 N ( N − 1 ) / 2 对于一个 N海尔集团的问题( 14]。作为多类识别方法使用1-v-1问题,Max-Win算法。在Max-Win算法中,每个支持向量机投下一票的识别结果是全班最高的票数。

一个输入模式是所有成对分类器。接收输入,每个支持向量机决定输入模式所属的类。它被认为是“投票”。我们可以用“选票”的数量为每个类的信心。最后的答案是获得选票的最大数量的类。识别时间成正比 N ( N − 1 ) / 2 支持向量机的数量。通常,Max-Win算法的性能很好。然而,它的评估时间与操作的数量, O ( N 2 ) ,速度非常慢。

一个新的策略中使用两级分类器的设计。它使用投票机制 但不投票第一级的最终预测的分类器被称为0。票和真正的类之间的关系引起的第二个层次的分类算法命名为一级。图 3显示该分类器的框图。

在图 3,有 n = N ( N − 1 ) / 2 支持向量机分类器在0表示输入模式评估每个1-v-1 SVM ( 我与 j)坐落在这个水平。任何分类的支持向量机输入作为一个 我 th 类,它被认为是“不- j”。这个层次的每个分类器的输出将被视为一个输入为第1层,用于标签类的输入。

这个过程可以概括如下:

(我)

将测试数据作为输入应用于所有级别0并行SVM分类器,

所有图片在一个统一的照明条件下。其他摄影的参数如鱼与相机的位置也被固定在图像采集过程中为了减少处理行业错误。

使用最有效的特征提取鱼鱼的眼睛和皮肤,除了downsampled版本的选择图片,导致降低训练时间和提高性能在鱼类识别。选择一个最佳的图像尺寸保证降低计算成本和更快的响应,同时训练和测试支持向量机。然而,缩减图像可能导致损害提供的信息量,提高识别的错误。因此, One hundred. × One hundred. 像素图像大小被选为适合拟议的系统。一个 One hundred. × One hundred. 像素图像后来减少到一个 400年 × 1 图像在抽样。每个鱼的400鱼眼图像样本类型选择和连接4从相同的图像中提取特征来生成一个数据集对支持向量机。

每个图像的压缩部分作为SVM的输入的一部分。第二部分的输入向量4从鱼眼图像提取的特征参数。他们正在统计功能,包括 意思是,马克斯,性病,var的形象。

因此,而不是使用生鱼形象,我们使用404个样本(400从压缩图像和4提取参数)来减少支持向量机的结构复杂性,减少训练时间。

一个支持向量机实现项目叫做LSSVM实验室( 15工具箱是用于这项工作。最小二乘支持向量机(LSs-SVMs) [ 16, 17)标准支持向量机的。我们训练六个支持向量机分类器,每个分类两类。

SVM分类的质量取决于几个参数的组合:容量参数 C内核类型 K和相应的参数 γ 。也没有明确的指导方针,选择最优理论参数集。因此,唯一可行的方法找到一个最优支持向量机预测模型是通过大量的实验。众所周知,支持向量机方法的结果很大程度上躺一个内核的选择,决定了样本分布在映射空间。因此,内核函数应该首先决定。在这项工作中,我们使用中的延时(多层感知器)内核以及线性内核。我们选择惩罚系数的最优值 C10、参数 γ 等于0.2经验。

320便携式Cyranose电子鼻组成的数组32聚合物炭黑复合传感器是用于我们的实验。这些传感器的电导率变化导致电阻值增加当他们暴露于蒸气或刺激气味。电阻的变化是整个数组,记录为传感器输出一个数字形式的模式。这些模式为不同的蒸汽(不同的和独特的 18]。拥有一个内置的神经网络可以被训练来识别特定的刺激和刺激的生成特定的气味指纹的因素使电子鼻作为首选选择其他商用产品。

四种选择:红鲷鱼、鲂鱼Tarakihi和鲹。选择鱼碎肉的储存在冰箱里。固定数量的肉的鱼被从冰箱里拿出,暴露在室温下每个实验之前为了让样品室温。这些样本被分为四个无菌眼镜(每一个玻璃鱼)在温度控制的环境中。阅读来自样品的顶部空间通过手动介绍电子鼻系统。为目的的评估,电子鼻传感器对样本的位置是固定的。基线清洗时间、采样时间和清洗时间的电子鼻准确地为每个实验设置,以避免错误。时间允许记录完整的气味电子鼻打印30秒的采样时间。足够的时间被允许为每个数据收集完成样品气味打印和打扫房间。不同的样品相同的鱼每天测量(除了天3和4)超过十天的时间。 The smell prints generated from these measurements were used to ascertain the fish freshness. The proposed method may be used in other countries for the identification of fish species by training the data sets to be selected accordingly.

在前一节中提到,232年的实验中进行了使用数据库收集的图像从四种不同的鱼鱼的眼睛。数据库被分为两组。第一组(训练数据集)包括176从每个鱼图像包含44眼图像类型。

第二组(测试数据集)包括剩下的56个图像,包括14眼图像的每个鱼类型。结果的应用提出的支持向量机分类器对测试数据为目的的物种识别列表在表 1。

同样的训练参数选择对所有网络。为了减少任何错误引起的体重初始化,每个网络训练5次通过随机选择的训练集的输入。

在表 2,第二个索引分配给每个 净显示的数量尝试培训网络。例如,Net1-3意味着:Net1在第三个培训。

培训时代被设置为100,TRAINLM训练函数(因为它是非常快的)用于所有四个网络。TRAINLM是一个非常快的网络训练的MATLAB函数更新重量和偏差值根据Levenberg-Marquardt优化( 17]。

从表中给出的结果 2,我们选择最好的训练网络,Net1-5(鲷鱼),Net2-5(鲂鱼),Net3-1 (Tarakihi),和Net4-2(鲹)。

所选择的网络被用来测试鱼新鲜使用32个测试数据集。正如前面讨论的,提取的特征数据集包括四个鱼的气味打印选定的天的数据收集(天2、5、7和8)。

正确的识别和速度的平均天数后抓的鱼是报道后的天数平均捕获的鱼被发表在表 3。