江苏省高等学校大学生创新训练计划项目 - 江苏省大学生创新创业训练 .doc

江苏省高等学校大学生创新创业训练计划项目 中期检查报告 学 校 江苏大学京江学院 项目编号 201313986007Y 项目名称 基于自适应提升法的猪肉贮藏时间判定研究 项目负责人 邱盛威 项目级别 （） 重点项目 、（ ）重点自筹项目 、（√） 一般项目 、（ ）指导项目 一、项目进展情况及取得成果（按照项目研究工作计划逐一对照填写） 项目进展情况 （√）按计划进行、（ ）进度提前、（ ）进度滞后 主要研究阶段 (起止时间) 研究内容 完成情况 2013年6月～2013年12月 猪肉的近红外光谱数据采集及数据处理 已完成 项目研究成果（已取得的成果） 序号 项目成果名称 成果形式 二、项目中期报告（项目执行的进展情况，取得了哪些成绩，是否达到预期效果，以及在项目的开展过程中还存在哪些问题。） 从农贸市场采购新鲜的猪的背阔肌，然后分成67块猪肉样品，每块猪肉长度约10cm。用保鲜袋将其包装保存于0~ 4℃的冰箱内。在接下来的6天时间里，将每隔24小时进行一次近红外光谱采集。采用AntarisII快速傅里叶变换近红外光谱分析仪，用反射积分球模式采集近红外光谱，近红外光谱分析仪扫描每个样品32次以获取样品的漫反射光谱均值。光谱扫描的波数为10000~4000cm-1，扫描间隔为3.856cm-1，采集到每块猪肉样品的光谱是1557维的数据。为减少误差，每个猪肉样本采样3次，取其平均值作为最终的实验数据。实验条件和实验数据已记录，猪肉的近红外光谱数据采集已完成。 用Matlab软件设计主成分分析（PCA），线性判别分析（LDA），非相关判别分析（ULDA）三种特征提取算法的程序，并用这三个程序进行猪肉光谱数据的特征提取，最后用最近邻分类器进行分类，得到的分类结果。对于传统的PCA+LDA特征提取算法，首先将所有数据样本进行主成分分析，并提取前n-c个主成分，以此消除矩阵的奇异性问题，其中n为样本总数，c为样本的类别数，其次将降维后的样本继续投影到LDA特征子空间。实验采用最近邻分类器，针对不同数目的训练样本，从识别正确率和训练消耗时间来进行对比测试。图1所示为分类正确率随寻训练样本数变化的曲线图，图2为其对应的训练时间消耗。其中每个类别的样本数从30增加到45，测试样本固定为22个。 由图1看出，随着训练集的不断增长，基于PCA+LDA与ULDA算法的分类正确率都在不断提升，其中当样本数大于40时，基于ULDA的分类结果要略优于PCA+LDA算法。相对与经典特征提取算法，ULDA算法通过去除特征向量的相关性来提供相对更有效的分类特征，但在小样本训练的情况下，ULDA的效果并不明显。两种特征提取算法最终的分类正确率都没有突破90%，这也说明了基于线性特征提取的局限性，无论是ULDA还是PCA+LDA，都无法在特征空间将复杂的光谱数据分开。对于训练时间的控制上，由图2可以明显看出，相同数目的训练集，ULDA的训练时间要比PCA+LDA短得多，即使随着样本数目的不断增加，其平均训练时间也维持在传统PCA+LDA算法的五分之一左右。这是因为ULDA相比PCA+LDA来说，在计算时避免了二次特征值求解过程。 表1 PCA+LDA与ULDA算法的分类准确率 30 33 36 39 42 45 PCA+LDA 73.48% 78.79% 83.33% 83.33% 85.61% 87.88% ULDA 71.21% 78.79% 82.58% 84.09% 86.36% 89.39% 表2 PCA+LDA与ULDA算法的运算时间比较 30 33 36 39 42 45 PCA+LDA 0.6569 0..6816 0.7348 0.7426 0.8320 0.8237 ULDA 0.1305 0.1491 0.1702 0.1827 0.2114 0.2400 图1 PCA+LDA与ULDA算法的分类准确率 图2 PCA+LDA与ULDA算法的运算时间 三、经费使用明细情况 项目获批总经费：6000元 已使用项目研究经费： 元 已报销金额： 元 未报销金额： 元 项目经费开支情况 名目 用途 金额 备注 论文版面费专利申请费调研、差旅费元器件、软硬件测试、小型硬件购置费2014年4月：进行Adaboost结合LDA和ULDA实验对比，编写和调试程序。记录实验条件和实验结果。 2014年5月～2014年7月：整理研究和实验结果，完成结题报告和论文的撰写和发表工作。 五、指导教师意见：（包括项目的组织实施、进度、预