支持向量机在溢油荧光光谱分析中的应用研究

发布时间：2020-08-25 13:28

【摘要】： 随着海洋资源的开发和使用,海洋受到了严重的污染,其中石油污染表现得尤为突出。溢油事故往往造成大面积海域污染,危害十分巨大。因此实时地、正确地监测溢油具有重大意义。本文认真对比了国内外已有的溢油识别方法,分析了以往的人工神经网络激光荧光光谱识别速度较慢、精度不是很高的原因。提出以光谱形状作为溢油识别的关键特征,并引入基于统计学习理论的支持向量机(SVM)方法来识别溢油荧光光谱的种类。在人工神经网络众多的模型中,选择了应用比较广泛的误差反向传播(BP)网络和径向基函数(RBF)网络。本文的核心工作是建立了BP、RBF网络和SVM激光荧光光谱分析识别模型。并利用已有的激光遥感设备获取光谱对建立的几种模型进行测试实验,得到了实验结果。测试实验主要考察的是这3种模型的识别精度和速度。测试实验得出,BP网络激光荧光光谱分析识别模型的平均训练时间16.0280s,正确率为86.7%;RBF网络激光荧光光谱分析识别模型的平均训练时间0.6064s,正确率为86.7%;SVM激光荧光光谱分析识别模型的平均训练时间0.0184s,正确率为96.7%。RBF网络和SVM两种识别模型的训练耗费时间较少。BP网络识别模型的训练所要耗费的时间显然大些。在识别的精度方面,BP网络和RBF网络模型的没有差别,而SVM模型的更好。结果表明,SVM激光荧光光谱分析识别模型的绩效是最好的。它是一种很有前途的方法。
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：P744.4
【图文】：

荧光光谱,光谱,汽油,激光激发

5.4实验的结果实验得到了原油、重油、柴油、汽油90#、汽油93#、汽油97#、机油、舰用燃料油、海藻和海水共十种物质的荧光光谱，如图5.3所示。其中横轴表示激光激发的荧光波长，设定为360一684nm;纵轴表示激光激发的荧光光谱的相对强度，设定为0一16000。图5.3十种物质的光谱(本论文独立完成) Fig.5.3SPeetruznof10kindsofsubstance

识别系统,荧光光谱,界面,光谱数据

函数【label，aeeurae扒dee一alues」=svmPrediet(svmdaishibi习abel，svmdaishibie--inst，model):到分类的类别。.3软件编写步骤.3.1生成VC主界面本文采用VC一来编写软件的窗口界面与输出，如下图所示。主界面分为三分:界面左边部分是识别结果显示区。界面右面部分是原始光谱数据和经过的光谱数据的显示区，显示的光谱范围从36Onln一684nln。当训练以及测试结将会给出识别结果。

【引证文献】