基于MHHO算法及SVM模型烟叶等级识别方法、系统技术方案

本发明专利技术公开了一种基于MHHO算法及SVM模型烟叶等级识别方法、系统，该方法包括获取烟叶等级化学成分数据集，结合MHHO算法对初始SVM模型进行训练，获得优化后的SVM模型；获取待分类的烟叶等级化学成分数据集；将数据集输入优化后的SVM模型；根据SVM模型输出结果确定烟叶等级并分类；SVM模型优化具体为通过MHHO算法，优化SVM模型选取参数，实现优化SVM模型；MHHO算法为：使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法探索转换至开发阶段中逃逸能量的计算策略；使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法中开发阶段的位置更策略。本方法减少数据的误差，有效提高了烟叶等级识别效率及精度。级识别效率及精度。级识别效率及精度。

【技术实现步骤摘要】
基于MHHO算法及SVM模型烟叶等级识别方法、系统


[0001]本专利技术涉及烟草识别
，具体涉及基于MHHO算法及SVM模型烟叶等级识别方法和系统。

技术介绍

[0002]在烟草工业中，烟叶的等级直接影响香烟品质与口感，因此烟叶等级划分具有重要的意义。传统的烟叶等级划分主要依靠专业人员通过视觉、触觉、嗅觉等感官辨识烟叶的质量，然后综合评定烟叶等级。这种方法掺杂较多的主观因素，与专业人员经验有较大的关联性，导致效率低、准确率难以保障。
[0003]现有通过对烟叶图像进行颜色、大小、形状和表面纹理等特征的提取和分析，并把这些特征数据输入融合了模糊集合的神经网络，然后估计和预测烟叶等级。在图像识别烟草等级中，需要采集大量的反映各类型烟叶特征的烟叶图像，烟叶图像质量受到色彩、亮度和清晰度等因素干扰，导致不易获得理想的烟叶分类效果。
[0004]现有技术中发现借助ReliefF和粒子群优化算法从烟叶化学成分中筛选出22种化学成分，然后输入支持向量机通过分析烟叶的化学成分对烟叶质量等级分类；由于支持向量机能提高分类器的泛化能力，使用小样数据集也能够训练得到精度高的分类器，对存在误差的数据还可借助其非线性的特点去拟合这些偏差，支持向量机已被证明是一种经济高效的烟叶化学成分数据分类技术。
[0005]支持向量机的参数影响其分类精度，参数的选择存在一定的困难，因此现有将哈里斯鹰优化算法用于选择支持向量机的最优参数，在不同的阶段，哈里斯鹰个体采用不同策略捕猎，这种多策略的搜索方式使得哈里斯鹰优化算法具备良好的寻优精度和收敛性能，但是，该算法迭代到后期，种群位置更新趋同化、种群多样性单一，使算法难以跳出局部最优，从而影响算法收敛的精度和速度。
[0006]有鉴于此，亟需提供一种可增强算法的搜索能力，使算法能够跳出局部最优，改善算法的收敛性能，从而有效提高了烟叶等级识别效率的方法。

技术实现思路

[0007]为了解决上述技术问题，本专利技术所采用的技术方案是提供了一种基于 MHHO算法及SVM模型烟叶等级识别方法，包括以下步骤：
[0008]获取烟叶等级化学成分数据集，结合MHHO算法对初始SVM模型进行训练，获得优化后的SVM模型；
[0009]获取待分类的烟叶等级化学成分数据集；
[0010]将数据集输入优化后的SVM模型；
[0011]根据SVM模型输出结果确定烟叶等级并分类；
[0012]其中，SVM模型优化具体为通过MHHO算法，优化SVM模型选取参数，实现优化SVM模型；MHHO算法具体为：
[0013]使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法探索转换至开发阶段中逃逸能量的计算策略；
[0014]使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法中开发阶段的位置更策略。
[0015]本专利技术还提供了一种基于MHHO算法及SVM模型烟叶等级识别系统，包括
[0016]数据输入单元：用于输入取待分类的烟叶等级化学成分数据集；
[0017]烟叶等级分类单元：根据输入的取待分类的烟叶等级化学成分数据集，使用优化后的SVM模型进行对烟叶等级化学成分数据集分类；
[0018]输出单元：根据烟叶等级分类单元数据分类结果，确定烟叶等级；
[0019]烟叶等级分类单元包括初始SVM模型训练模块，用于根据获取的烟叶等级化学成分数据集，结合MHHO算法对初始SVM模型进行训练，获得优化后的SVM模型；其中，MHHO算法具体为：
[0020]使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法探索转换至开发阶段中逃逸能量的计算策略；
[0021]使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法中开发阶段的位置更策略。
[0022]本专利技术通过引入混沌扰动收敛和非线性时变更新策略改进哈里斯鹰优化算法，并用于优化支持向量机模型，选择支持向量机的最优参数，改进的哈里斯鹰算法保持算法在迭代过程中种群的随机性和多样性，增强算法的搜索能力，使算法能够跳出局部最优，改善算法的收敛性能，同时能使支持向量机获得更好的分类准确率和稳定性，从而减少数据的误差，有效提高了烟叶等级识别效率及精度，解决现有技术SVM模型参数的选择影响烟叶等级识别的精度。
[0023]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0024]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1为本专利技术提供的方法流程示意图；
[0026]图2为本专利技术提供的MHHO算法优化SVM模型的流程图；
[0027]图3为本专利技术案例中各算法在六个UCI数据集上优化SVM参数迭代的收敛曲线图；具体为
[0028]图(a)在Diagnostic上的收敛曲线图；(b)在heart上的收敛曲线图； (c)在Ionosphere上的收敛曲线图；(d)在iris上的收敛曲线图；(e)在seed 上的收敛曲线图；(f)在sonar上的收敛曲线图；
[0029]图4为本专利技术提供的系统框图；
[0030]图5为本专利技术提供的计算机设备结构框图。
具体实施方式
[0031]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]在本专利技术的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平 "、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0033]此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、" 第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本专利技术的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MHHO算法及SVM模型烟叶等级识别方法，其特征在于，包括以下步骤：获取烟叶等级化学成分数据集，结合MHHO算法对初始SVM模型进行训练，获得优化后的SVM模型；获取待分类的烟叶等级化学成分数据集；将数据集输入优化后的SVM模型；根据SVM模型输出结果确定烟叶等级并分类；其中，SVM模型优化具体为通过MHHO算法，优化SVM模型选取参数，实现优化SVM模型；MHHO算法具体为：使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法探索转换至开发阶段中逃逸能量的计算策略；使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法中开发阶段的位置更策略。2.如权利要求1所述的基于MHHO算法及SVM模型烟叶等级识别方法，其特征在于，所述使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法探索转换至开发阶段中逃逸能量的计算策略，更新的逃逸能量计算如下式：yt＝1
‑
2*yt2式中，yt为混沌扰动因子，E1
initial
和E1
final
分别为初始最大和最小值；使用混沌扰动收敛的非线性时变策略更新哈里斯鹰算法中开发阶段的位置更策略，更新的位置计算如下：omega＝omega_initial*abs(yt)
‑
(omega_initial
‑
omega_final)*((T
‑
t)/T)2式中，omega_initial和omega_final分别为初始参数和终止值，T为总的迭代次数，t为当前迭代次数；对哈里斯鹰的各个寻优方式进行更新，具体以为：将软包围的位置更新为：ΔX(t)＝omega*X
rabbit
(t)
‑
X(t)硬包围的位置更新为：X(t+1)＝omega*X
rabbit
(t)
‑
E|ΔX(t)|软包围渐进式快速俯冲的位置更新为：Y＝omega*X
rabbit
(t)
‑
E|JX
rabbit
(t)
‑
X(t)|硬包围渐进式快速俯冲的位置更新为：Y＝omega*X
rabbit
(t)
‑
E|JX
rabbit
(t)
‑
X
m
(t)|。3.如权利要求1所述的基于MHHO算法及SVM模型烟叶等级识别方法，其特征在于，根据所述获取烟叶等级化学成分数据集，结合使用k折交叉验证法对初始SVM模型进行训练。4.如权利要求1所述的基于MHHO算法及SVM模型烟叶等级识别方法，其特征在于，所述获取烟叶等级化学成分数据集，结合MHHO算法对初始SVM模型进行训练，获得优化后的SVM模型具体实施步骤如下：步骤S21、设MHHO算法的种群位置X＝{X1，...，X
i
，...X
N
}，个体位置X
i
＝[X
i1
，X
i2
]，其中
X
i1
，X
i2
分别为支持向机的惩罚参数C和核参数g；步骤S22、在两个参数C和g取值范围内随机初始化种群位置，设置算法最大迭代次数Maxit作为结束条件；步骤S23、用K折交叉验证法把获取的烟叶等级化学成分数据集划分为1个训练集和K
‑
1个测试集；步骤S24、根据选择初始化种群其中一个个体，该个体位置对应的参数C和g值代入初始SVM模型，并用训练集训练初始SVM模型，再使用测试集分别测试训练得到的训练好的SVM模型，并获得K
‑
1个分类准确率值，对K
‑
1个分类准确率值求平均获得对应个体的适应度值；并逐个求出种群中每个个体的适应度值；步骤S25、使用MHHO算法更新种群个体的位置，调用步骤S24求得对应个体新位置的适应度值，判断如果个体新位置适应度值优于原个体位置的适应度值，则用新个体位置替换原个体位置，并依次完成所有更新后种群个体的位置；步骤S26、寻找种群中最优的个体适应度，记录该适应度对应的个体位置作为当前种群最优个体位置；步骤S27、判断当前的迭代次数是否满足最大迭代次数Maxit，如果满足，则根据当前种群最优个体位置确定参数C和g的值，并转至步骤S28，否则转至步骤S25继续迭代；步骤S28、将最优参数C和g输入训练好的SVM模型进行训练，得到优化的SVM模型。5.如权利要求1所述的基于MHHO算法及SVM模型烟叶等级识别方法，其特征在于，对所述获取烟叶等级化学成分数据集和获取待分类的烟叶等级化学成分数据集进行归一化处理。6.基于MHHO算法及SVM模型烟叶等级识别系统，其特征在于...

【专利技术属性】
技术研发人员：农英雄，陈智斌，周肇峰，陆瑛，黄聪，杨振宇，孙忱，钟征燕，卢童，
申请(专利权)人：广西中烟工业有限责任公司，
类型：发明
国别省市：