但松健

（重庆第二师范学院继续教育学院，重庆，400067）

支持向量机（Support Vector Machine，SVM）是Vapnik 提出的一种能有效地用于模式识别和数据挖掘的识别模型[1]，尤其在处理高维非线性样本问题上，SVM具有很好的识别效果。作为有监督的分类模型，SVM具有以下优势：更适用于小样本数据集；更严谨的数学理论支持；高效的非线性分类性能以及能在一定程度上避免维数灾难[2-3]。

本文首先分析了SVM识别算法，并对SVM的核函数和各项参数的选择进行了讨论和测试，以得到更优的识别结果。其次，基于SVM算法，结合基因优化选择算法，对SVM 算法进行了改进，实验结果显示，采用GA-SVM对16 个地区柑橘样本NIR 的产地鉴别中，能得到比SVM更高的识别率。

1 基于SVM 的产地鉴别模型

我们在windows 7 平台下分别利用Matlab 和LIBSVM[4]实现了基于柑橘NIR 的SVM分类模型，并对16 个地区的柑橘样本进行了产地鉴别。首先采用SG 平滑算法对原始NIR 数据进行预处理，然后选用PCA 提取得到光源的特征数据，并选择前25 维主成分作为SVM的特征输入，最后按照5×10 次的交叉验证，将最后的平均准确率作为分类器评判标准。

1.1 SVM核函数选择

首先，我们对SVM 的核函数选择进行讨论。对于不同的核函数，其映射后的特征空间决定着最优决策超平面的构建，因此核函数往往能影响分类的性能，这里对常见的4 种核函数进行了测试，其中核函数的参数采用LIBSVM 的默认参数。结果如表1 所示：

表1 采用常见的4 种核函数以及不同的主成分个数的SVM模型的识别率

从表1 看出，径向基（RBF）核函数在采用不同主成分作为输入时，都比其他核函数的效果更好，特别是在采用前8 和16 个主成分时，达到了最高的识别率93.52%。……