基于K均值样本筛选的支持向量机及其在白酒品牌鉴别中的应用

发布时间：2017-06-02 04:06

  本文关键词：基于K均值样本筛选的支持向量机及其在白酒品牌鉴别中的应用，由笔耕文化传播整理发布。

【摘要】：白酒是我国的传统产品,对于其产品质量的控制影响着我国制酒行业的健康发展,同时这也关系到消费者的健康权益,有必要对白酒产品进行鉴别。在实际应用中,化学计量学结合模式识别技术对白酒的品质进行鉴别被广泛应用;在模式分类中,训练样本的筛选影响着分类器分类的性能。本文以支持向量机(SVM)作为分类模型,探讨了支持向量对其的影响,结合K均值(K-means)聚类的思想对初始训练样本集进行筛选,以提高分类器的分类准确率以及泛化能力。本文指出训练样本数量影响了模型的泛化推广能力,证明了SVM的分类性能只与支持向量有关,而与非支持向量无关。对于训练样本集进行适当的缩减,提取出可能成为支持向量的样本,有助于提高SVM的分类性能和推广能力。K-means具有运算复杂度低的优点,能够自动寻找到类别中心。本文依照这种思想,在找到类别中心的基础上,找到边界样本,同时删除误分类样本,避免SVM最优分类面发生偏置,从而达到降低置信风险的目的,防止过拟合现象的出现。为了验证该方法的有效性,本文选用了UCI数据库的WDBC、Iris、Wine、Sonar数据集,对比了经典的随机取样、KS样本筛选方法,结果表明本文所提出的K-SVM方法有助于分类准确率的提高。针对白酒的品牌鉴别问题,首先采集不同品牌、多种批次的飞行时间质谱(TOFMS)谱图,经过对仪器的精密度、重复性和稳定性的考察,得到了可靠的实验数据。应用小波分析的方法对原始数据进行降噪处理,进而通过PLS-VIP筛选出350个特征指标。此基础上,应用K-SVM方法进行分类鉴别,并对SVM核参数进行网格搜索优化,与其他样本筛选方法对比,得到了较好的分类准确率,满足了对于白酒品质控制高精确度的要求。本文以单光子电离飞行时间质谱作为检测手段,结合数据预处理的方法,将K-means聚类的方法应用于SVM训练样本的筛选之中,建立了准确、可靠的白酒品牌鉴别方法。本文的研究是对白酒品质鉴别方法的补充,同时也为SVM分类中的样本筛选提出了可行的办法。
【关键词】：白酒品牌 K均值 支持向量机 样本筛选 飞行时间质谱
【学位授予单位】：南京财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F426.82;F273.2
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-20
• 1.1 研究背景及意义9-11
• 1.1.1 白酒质量的控制及品牌的鉴别9-10
• 1.1.2 模式分类中训练样本的筛选10-11
• 1.2 国内外研究现状11-17
• 1.2.1 白酒品质鉴别的研究现状11-12
• 1.2.2 化学谱图特征的选择与提取12-13
• 1.2.3 支持向量机及其参数的优化13-14
• 1.2.4 支持向量机训练样本的划分与筛选14-16
• 1.2.5 文献评述及小结16-17
• 1.3 研究内容及创新点17-18
• 1.3.1 主要研究内容17
• 1.3.2 本文的创新点17-18
• 1.4 结构安排18-20
• 第二章 基本理论20-36
• 2.1 统计学习的相关理论20-24
• 2.1.1 统计学习理论20-21
• 2.1.2 决策风险的度量21-22
• 2.1.3 VC维理论22-23
• 2.1.4 结构风险最小化23-24
• 2.2 数据的降噪处理24-28
• 2.2.1 Fourier变换25
• 2.2.2 基于时频分析的小波变换25-26
• 2.2.3 分层阈值小波变换在化学谱图降噪中的应用26-28
• 2.3 K-means聚类28-29
• 2.4 支持向量机理论——结构风险最小化29-35
• 2.4.1 支持向量机分类模型29-32
• 2.4.2 核函数的应用32-34
• 2.4.3 基于网格搜索法的参数优化34-35
• 2.5 本章小结35-36
• 第三章K-means在支持向量机训练样本筛选中的应用36-49
• 3.1 支持向量机分类存在的问题36-37
• 3.2 样本筛选的常见方法37-38
• 3.2.1 随机取样法37-38
• 3.2.2 KS法38
• 3.3 基于K-means的训练样本筛选方法(K-SVM算法)38-43
• 3.3.1 K-SVM算法的描述38-40
• 3.3.2 K-SVM算法的实现40-43
• 3.4 K-SVM在UCI数据集上的分类43-48
• 3.4.1 UCI数据集的描述43-45
• 3.4.2 不同样本筛选方法在UCI数据集分类中的应用45-48
• 3.5 本章小结48-49
• 第四章K-SVM在白酒品牌鉴别中的应用49-61
• 4.1 白酒TOFMS数据的采集49-52
• 4.1.1 实验仪器49-50
• 4.1.2 实验样品50
• 4.1.3 仪器可靠性检验50-52
• 4.1.4 样品相似性的描述52
• 4.2 白酒TOFMS数据的预处理52-58
• 4.2.1 基于coif小波的数据降噪52-53
• 4.2.2 PLS在谱图特征提取中的应用53-58
• 4.3 应用K-SVM进行白酒品牌鉴别58-60
• 4.4 本章小结60-61
• 第五章 结论与展望61-63
• 5.1 全文工作总结61
• 5.2 未来工作展望61-63
• 参考文献63-70
• 附录：数据处理Matlab代码70-76
• 攻读硕士学位期间相关成果76-77
• 后记77

【相似文献】

中国期刊全文数据库 前10条

1 何足奇;;寻找白酒品牌的核心价值[J];品牌;2002年05期

2 胡承,李东,郭鸿,胡永松;对白酒品牌与市场的思考[J];酿酒科技;2004年01期

3 小江;2005中国十大最具增长潜力白酒品牌[J];酿酒科技;2005年04期

4 何海洋;;背书战略,白酒品牌的凤凰涅磐[J];广告人;2006年01期

5 吕允超;;白酒品牌塑造纵深法则(上)[J];中国酒;2006年08期

6 ;江苏地区2006白酒品牌风云榜读者调查组委会公告[J];广告人;2006年11期

7 李明灿;;白酒品牌生命力分析[J];中国酒;2007年02期

8 赵义祥;;二线白酒品牌如何突围?[J];中国酒;2007年09期

9 王东红;;中国白酒品牌塑造存在的问题及对策分析[J];商场现代化;2008年11期

10 周晓峰;;浅议白酒品牌的适宜个性原则[J];中国酒;2009年10期

中国重要报纸全文数据库 前10条

1 青岛科技大学传播研究中心 王才路;浅谈白酒品牌形象[N];中国食品质量报;2004年

2 马博华;白酒品牌建设存在5大误区[N];中国食品报;2011年

3 本报特约撰稿人 李明利;白酒品牌建设的五大误区[N];华夏酒报;2011年

4 本报特约撰稿人 毛小民;新手如何选择代理白酒品牌？[N];华夏酒报;2012年

5 北京南方略管理咨询销售公司总经理 宁立新;谁说白酒品牌一定要有历史[N];华夏酒报;2013年

6 本报特约撰稿人 北京和君咨询·中国传统文化研究中心主任 丁千城;白酒品牌“转基因”[N];华夏酒报;2013年

7 本报记者 杨孟涵;白酒品牌“端不住了”[N];华夏酒报;2013年

8 记者 管弦 见习记者 陈军;中国白酒品牌文化短板显露[N];中华工商时报;2013年

9 何足奇;白酒品牌怎么做[N];山西科技报;2003年

10 王登文;我国白酒品牌之“三国”纷争[N];中国贸易报;2007年

中国硕士学位论文全文数据库 前10条

1 崔竞月;中华老字号白酒品牌传播研究[D];渤海大学;2015年

2 吴玉丹;基于消费者心理诉求的白酒品牌管理研究[D];福州大学;2013年

3 马凯升;FTNIR光谱结合化学计量学用于白酒品牌鉴别的快速判别分析[D];暨南大学;2016年

4 蒋欣言;重庆市江津老白干白酒品牌建设研究[D];中南林业科技大学;2016年

5 陈鑫;基于K均值样本筛选的支持向量机及其在白酒品牌鉴别中的应用[D];南京财经大学;2016年

6 陈克江;白酒品牌定位研究[D];西南财经大学;2010年

7 刘俊涛;国内白酒品牌营销问题与对策探讨[D];西南财经大学;2010年

8 贺蕾;中国白酒品牌竞争价研究[D];湖北大学;2013年

9 刘洋洲;品牌形象对消费者购买行为影响的实证研究[D];西南财经大学;2011年

10 王蕾;“国窖·1573”在河南的市场营销策略及改进[D];郑州大学;2006年

  本文关键词：基于K均值样本筛选的支持向量机及其在白酒品牌鉴别中的应用，，由笔耕文化传播整理发布。

本文编号：414191