[发明专利]基于MHHO算法及SVM模型烟叶等级识别方法、系统

说明书

本发明公开了一种基于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。

技术领域

本发明涉及烟草识别技术领域，具体涉及基于MHHO算法及SVM模型烟叶等级识别方法和系统。

背景技术

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。

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。

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。

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。

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。

发明内容

为了解决上述技术问题，本发明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：

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。

本发明还提供了一种基于MHHO算法及SVM模型烟叶等级识别系统，包括

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；

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；