基于PCA-GA-SVM的烟叶分级方法

为解决烟叶分级所需特征多、计算量大、训练模型复杂等问题,基于主成分分析(PCA)、遗传算法(GA)和支持向量机(SVM)提出了一种烟叶分级方法,利用PCA对烟叶特征进行降维以去除交叉冗余信息,将降维后的15个烟叶特征输入SVM,利用GA对SVM模型的惩罚参数C和核函数参数g进行优化;结合烟叶质量分级实际需求对比识别率和运行时间,确定PCbest及其对应的Cbest和gbest,并以PCbest作为降维后的主成分标准。以Cbest和gbest作为SVM模型的参数训练模型,利用训练后模型对测试集样本进行实验,结果表明:与SVM模型和GA-SVM模型相比较,PCA-GA-SVM模型的烟叶识别率和分级效率分别提高24.86%和35.64%。该方法可为提高烟叶分级效率和准确度提供技术支持。