学位论文 > 优秀研究生学位论文题录展示
模式识别技术(Pattern recognition techniques)在山茶属植物数值分类学和叶绿素含量预测中的应用研究
作 者: 姜武
导 师: 吕洪飞
学 校: 浙江师范大学
专 业: 植物学
关键词: 模式识别技术 神经网络 支持向量机 植物数值分类 无损预测 形态解剖 光合生理
分类号: S685.14
类 型: 硕士论文
年 份: 2013年
下 载: 45次
引 用: 0次
阅 读: 论文下载
内容摘要
模式识别技术(Pattern recognition technique)包括聚类分析、机器学习等多种方法,是一种集合数学方法和计算机技术对研究对象内部规律以及隐藏性质进行分析的综合技术。该技术在近20年来发展突飞猛进,已经广泛运用于各项领域。本文将在拓展模式识别技术的应用方面进行研究,主要是以山茶属植物的花和叶片为研究对象,将聚类方法(Clustering approach, CV)、反向传播神经网络(Back-propagation artificial neural networks, BP-ANN)、支持向量机(Support vector machine, SVM)等多种模式识别技术应用到山茶属植物的数值分类学领域以及叶绿素含量的无损预测领域中。具体而言,主要完成以下四大方面的工作:(1)依据山茶花的形态学特征,运用聚类方法和支序分析进行山茶属物种组水平的数值分类学应用研究。(2)基于叶片解剖学指标运用模式识别分类器在山茶属植物组水平上的分类研究。(3)基于叶片颜色分形和RGB强度值指标的模式识别分类器在山茶属植物组水平上的分类研究。(4)基于光照强度和叶绿素荧光参数的模式识别无损伤技术在山茶属植物叶片叶绿素含量的预测研究。主要研究结果如下:(1)利用山茶花的形态学基础数据以及衍生数据,对山茶属油茶组(Sect. Oleifera)和短柱茶组(Sect. Paracellia)的19个物种应用支序分析进行数值分类研究。本研究分类结果基本和前人得到的结果一致。另外,聚类结果支持以下物种合并:油茶(C. oleifera)和越南油茶(C. vietnamensis);茶梅(C. sasanqua)和冬红短柱茶(C. hiemalis);短柱茶(C. brevistyla)和粉红短柱茶(C. puniceiflora);长瓣短柱茶(C. grijsii)和陕西短柱茶(C. shensiensis)。而且,我们建议樱花短柱茶(Cmaliflora)更适合被当做茶梅(C. sasanqua)的变种,褐枝短柱茶(C. phaeoclada)归并到短柱茶组(Sect. Paracamellia)中也相当合适;此外,本研究支持了以下物种可被合并:大姚短柱茶(C. tenii)和琉球短柱茶(C. miyagii),小果短柱茶(C. confusa)和窄叶短柱茶(C.fluviatilis)。(2)植物叶片特征为植物分类结果提供了很多有价值的信息。我们利用7个叶片解剖学属性数据:上表皮细胞面积、上表皮细胞厚度、栅栏组织厚度、叶片总厚度、海绵组织厚度、下表皮细胞厚度和下表皮细胞面积,结合运用BP-ANN和SVM对来自三个组的山茶属植物的47个物种(金花茶组Sect. Chrysantha16种,瘤果茶组Sect. Tuberculata16种,短柱茶组Sect. Paracamellia15种)进行分类。其中SVM模型的最佳惩罚参数(C=32)和核函数参数(γ=0.13)通过交叉验证得到。识别分类的最高精度(84.00%的训练集精度和90.91%的测试集精度)由径向基(Radial basis function)支持向量机分类器(RBF-SVM classifier)和Sigmoid支持向量机分类器(Sigmoid SVM classifier)得到。相比较BP-ANN对测试集的识别分类效果(86.36%),SVM的分类效果更佳。因此,基于叶片解剖学数据,应用SVM对这三组山茶属植物的准确分类是可行的,将SVM作为植物分类学中的工具具有潜在应用价值和意义。(3)本研究旨在验证上述模式识别分类器的有效性,且进一步补充分类器的快速识别性能。以来自五个组的山茶属植物的68个物种(糙果茶组Sect. Furfuraceal1种,短柱茶组Sect. Paracamellia13种,瘤果茶组Sect. Tuberculata15种,连蕊茶组Sect. Theopsis和红山茶组Sect. Camellia5种)作为研究对象,利用叶片分形参数(Leaf parameters analysis, FA)和叶片红、绿、蓝(RGB)强度值为基础数据,结合SVM分类器进行效果验证。结果显示使用RBF-SVM分类器在最佳参数下(C=16,γ=0.5)可达到最高分类识别精度(96.88%),线性核函数分类器(Linear-SVM)分类精度90.63%,Sigmoid-SVM分类器和多项式核函数分类器(Polynomial-SVM, d=2)分类精度分别为40.63%和93.75%。利用基础数据做的聚类图的分类效果亦符合前人的研究结果。因此,RBF-SVM结合FA和RGB值的分类器可用来快速无损且精确的对山茶物种分类和对其他未知基因型的识别。(4)传统分光光度计法测叶片叶绿素含量是一种破坏性和耗时的方法。本研究旨在评估BP-ANN结合叶绿素荧光(Chlorophyll fluorescence, ChlF)参数及光照日变化值组合的系统对山茶属叶片叶绿素含量快速无损预测的能力。选取14个组山茶属植物的60个物种,分阴生叶、阳生叶及阴阳混合总叶片,利用最佳神经元分别对叶绿素a,叶绿素b,叶绿素a+b,叶绿素a/b预测。BP-ANN模型的预测效果以实验值和预测值的相关系数为准。其中总叶片预测结果相关系数虽然只有0.1549-0.8925,但当叶片分开后,尤其是阴生叶预测结果相关系数达到0.9953-0.9983。可见,ANN-ChlF系统可被视为对山茶属物种阴生叶的叶绿素含量的快速无损预测的强大工具,且在其它绿色植物中的应用具有较大的潜在价值。综上所述,本研究为模式识别技术在山茶属数值分类学和叶绿素含量预测研究提出了新思路,亦达到了预期目标,为该技术的进一步软件开发和发展完善奠定基础。证明基于不同器官花和叶片的基本解剖学、形态学以及生理学数据,应用模式识别技术对山茶属植物的准确分类是可行的,尤其是RBF-SVM分类器,作为植物分类学中的工具具有潜在意义和应用前景,值得推广应用。
|
全文目录
摘要 4-7 ABSTRACT 7-13 第一章 研究现状综述 13-18 1.1 山茶属简介 13 1.2 山茶属分类方法简介 13-14 1.3 山茶属分类研究载体的选择 14 1.4 模式识别技术简介 14 1.5 模式识别技术在植物分类学中的应用 14-15 1.6 花为载体的油茶组和短柱茶组分类研究 15 1.7 叶片解剖学的模式识别分类器在山茶属分类中的应用 15-16 1.8 无损技术在山茶属分类研究中的应用 16 1.9 人工神经网络在叶绿素含量预测中的应用 16-17 1.10 本研究的意义 17-18 第二章 基于花形态学的山茶属中油茶组和短柱茶组的分类研究 18-31 2.1 材料和方法 18-23 2.1.1 植物材料 18 2.1.2 形态学特征 18-19 2.1.3 数值分类 19 2.1.4 支序分析方法 19-23 2.2 结果 23-25 2.2.1 聚类分析和主坐标分析 23-25 2.2.2 支序分析结果 25 2.3 讨论 25-29 2.3.1 油茶组和短柱茶组关系 25-26 2.3.2 茶梅、冬红短柱茶、樱花短柱茶分类 26-28 2.3.3 茶梅、油茶、越南油茶分类 28 2.3.4 长瓣短柱茶、陕西短柱茶、攸县油茶分类 28-29 2.3.5 粉红短柱茶、短柱茶、钝叶短柱茶分类 29 2.3.6 褐枝短柱茶、大姚短柱茶、琉球短柱茶分类 29 2.4 小结 29-31 第三章 基于叶片解剖学指标的模式识别分类器在山茶属植物组水平上的分类研究 31-45 3.1 材料和方法 31-36 3.1.1 植物材料 31 3.1.2 表皮装片制作 31-32 3.1.3 石蜡切片制作 32 3.1.4 BP-ANN分析 32-34 3.1.5 SVM分析 34-36 3.2 结果 36-42 3.2.1 BP-ANN和SVM模型 36-39 3.2.2 BP-ANN分类结果 39-40 3.2.3 SVM分类结果 40-42 3.3 讨论 42-44 3.3.1 分类模型的潜在可用性 42-43 3.3.2 BP-ANN和SVM模型的有效性 43-44 3.4 小结 44-45 第四章 基于叶片颜色分形和RGB强度值指标的模式识别分类器在山茶属植物组水平上的分类研究 45-56 4.1 材料和方法 45-47 4.1.1 植物材料 45 4.1.2 照片以及分形参数采集 45-46 4.1.3 聚类分析和SVM模型 46-47 4.2 结果 47-53 4.2.1 分形维度和RGB强度值 47 4.2.2 无监督聚类分析 47-49 4.2.3 SVM分类精度 49-53 4.3 讨论 53-54 4.4 小结 54-56 第五章 无损模式识别技术在山茶属植物叶绿素含量的预测研究 56-69 5.1 材料和方法 56-58 5.1.1 植物材料 56-57 5.1.2 叶绿素荧光特性测定 57 5.1.3 叶绿素含量测定 57-58 5.1.4 ANN预测模型分析 58 5.2 结果 58-65 5.2.1 总叶片神经网络结构 58-60 5.2.2 阳生叶神经网络结构 60-62 5.2.3 阴生叶神经网络结构 62-64 5.2.4 总叶片、阳生叶、阴生叶神经网络结构的不同预测效果 64-65 5.3 讨论 65-66 5.4 小结 66-69 第六章 总结与展望 69-71 6.1 总结 69-70 6.2 展望 70-71 参考文献 71-81 致谢 81-83 攻读学位期间发表的论文 83-85
|
相似论文
- 天然气脱酸性气体过程中物性研究及数据处理,TE644
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 调频式电容位移传感器高速测频与非线性校正技术研究,TH822
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 红外超光谱图像的虚拟探测器研究,TP391.41
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 模糊控制、神经网络在平面二级倒立摆中的应用,TP273.4
- 基于神经网络的水厂投药预测控制研究,TP273.1
- 视觉伺服四自由度机械臂的研究,TP242.6
- 机械臂视觉伺服系统的研究,TP242.6
- 压电驱动微工作台的控制与校正技术研究,TP273
- 基于支持向量机的故障诊断方法研究,TP18
中图分类: > 农业科学 > 园艺 > 观赏园艺(花卉和观赏树木) > 观花树木类 > 山茶
© 2012 www.xueweilunwen.com
|