河北省自然科学基金(C2012204008)
- 作品数:5 被引量:26H指数:4
- 相关作者:黄大庄高灵旺蔡小娜沈佐锐王志刚更多>>
- 相关机构:河北农业大学中国农业大学更多>>
- 发文基金:河北省自然科学基金引进国际先进农业科技计划更多>>
- 相关领域:生物学文化科学更多>>
- 利用翅的数学形态特征对蛾类昆虫进行分类鉴定的系统研究Ⅱ——在科级阶元上的应用被引量:7
- 2013年
- 在科分类阶元上以鳞翅目灯蛾科、刺蛾科、枯叶蛾科、天蛾科、舟蛾科和夜蛾科6科33种蛾类昆虫为研究对象,提取其前后翅图像数学形态特征即偏心率、球状性、叶状性、似圆度、矩形度、延长度和不变矩Hu1、Hu2等共计26项,分析这些特征参数在科级阶元上分类的可行性、可靠性和重要性。结果表明,筛选出6项特征参数作为科级阶元分类鉴别的指标,它们作用的大小依次为(FW矩形度、HWHu2和HW似圆度)>FW似圆度>(FWHu6和FWHu5),回归判别和交叉判别结果的正确率分别为100%和87.9%。
- 蔡小娜高灵旺黄大庄王志刚沈佐锐
- 关键词:亲缘关系
- 蛾翅数学形态特征在夜蛾科昆虫分类鉴定中的应用研究被引量:4
- 2014年
- 为研究蛾翅数学形态特征在夜蛾科分类鉴定中的实际应用,利用数字化技术获得和处理昆虫图像,对鳞翅目夜蛾科5种夜蛾的右前翅提取矩形度、延长度、叶状性、偏心率、球状性、似圆度和不变矩Hu1、Hu2等13项与大小尺度和方向均无关的数学形态特征,并利用方差分析、逐步判别分析和聚类分析等方法,研究了各项数学形态特征在昆虫分类上作为分类特征的可行性、可靠性和重要性,并且从数学形态学角度对夜蛾科5个种的亲缘关系做了描述。分析认为,延长度、Hu3、Hu4、Hu5和Hu7这5个形态特征对这5种夜蛾的分类鉴定没有显著意义,从而筛选出8个形态特征作为分类变量,它们的作用大小依次为:(矩形度、偏心率)>Hu2>似圆度>球状性>Hu1>(叶状性、Hu6)。利用蛾翅的这些特征参数成功地实现了对夜蛾科5种夜蛾的分类鉴定,其所描述的5种夜蛾的亲缘关系远近与基于传统形态学的系统进化观点相同。研究表明,蛾翅数学形态特征可应用于蛾类昆虫的快速鉴定,为逐步实现林业害虫计算机辅助鉴定和数字化识别奠定了基础。
- 董学超黄大庄
- 关键词:夜蛾数学形态特征特征提取亲缘关系
- 利用翅的数学形态特征对蛾类昆虫进行分类鉴定的系统研究Ⅰ——在总科级阶元上的应用被引量:9
- 2013年
- 以农林业主要蛾类害虫为研究对象,应用其翅的数学形态特征在总科阶元上进行分类鉴定。对鳞翅目5总科40种蛾类的右前翅和右后翅的偏心率、球状性、叶状性、似圆度、矩形度、延长度以及不变矩Hu1、Hu2等共计26项与大小和方向均无关的数学形态特征,利用方差分析、逐步判别分析和聚类分析等方法论证各项数学形态特征在总科阶元上进行分类的可行性、可靠性和重要性,并且从数学形态学角度对同阶元昆虫类群的亲缘关系做了描述。结果表明:在总科阶元上可筛选出6个形态特征作为分类变量,它们的作用大小依次为:(FW矩形度、FWHu5、HW偏心率)>HW似圆度>(HW矩形度、HWHu5),回归判别和交叉判别的结果其正确率分别为100%和97.5%。
- 蔡小娜黄大庄沈佐锐王志刚高灵旺
- 关键词:亲缘关系
- 蛾翅数学形态特征用于夜蛾分类和鉴定的可行性研究被引量:12
- 2012年
- 为探讨蛾翅数学形态特征(MMC)在夜蛾科分类鉴定中的可行性,本文利用数字化技术获得和处理昆虫图像,对鳞翅目夜蛾科6种夜蛾的右前翅提取矩形度、延长度、叶状性、偏心率、球状性、似圆度和不变矩Hu1、Hu2等13项与大小尺度和方向均无关的数学形态特征,并利用方差分析、逐步判别分析和聚类分析等方法研究了各项数学形态特征在昆虫分类上作为分类特征的可行性、可靠性和重要性,并且从数学形态学角度对夜蛾科6个种的亲缘关系进行了分析。分析结果认为矩形度和延长度2个形态特征对这6种夜蛾的分类鉴定没有显著意义,从而筛选出11个形态特征作为分类变量,它们的作用大小依次为:(偏心率、Hu5、Hu7)>Hu2>似圆度>球状性>Hu3>(叶状性、Hu1、Hu6)>Hu4。利用蛾翅的这些特征参数成功地实现了对夜蛾科6种夜蛾的分类鉴定,基于这些特征参数的6种夜蛾的亲缘关系远近与基于传统形态学的系统进化观点相同。研究表明蛾翅数学形态特征可应用于蛾类昆虫的快速鉴定,为未来逐步实现蛾类昆虫的自动识别奠定了基础。
- 蔡小娜黄大庄沈佐锐高灵旺
- 关键词:夜蛾数学形态特征特征提取亲缘关系
- 用于昆虫分类鉴定的人工神经网络方法研究:主成分分析与数学建模被引量:9
- 2013年
- 为探讨人工神经网络(ANN)在昆虫分类上的可行性,本文提出利用主成分分析和数学建模等方法相结合改进ANN,并以鳞翅目夜蛾科6种蛾类昆虫为样本进行了验证.首先利用Bugshape1.0特征提取软件获取6种蛾180个右前翅样本的13项数学形态特征数据,再运用主成分分析对蛾翅数学形态特征变量重新组合生成新的综合变量,然后结合主成分分析建立BP神经网络分类器.主成分分析结果表明,前5个主成分的累积贡献率为85.52%,已基本包含了全部特征变量具有的信息.在主成分分析的基础上,建立具有5个输入层节点,12个隐含层节点和1个输出层节点的三层BP神经网络分类器.每种蛾20个样本共120组特征数据对分类器进行训练和仿真,其余60组特征数据对分类器进行验证,仿真输出值与目标值的相关系数R=0.997,分类正确率达到了93.33%.较之未经过主成分分析而单独使用BP神经网络建立的分类器,基于主成分分析的BP神经网络分类器具有更优的性能和更准确的分类能力.研究结果表明本文提出的方法具有很好的分类和鉴别作用,为蛾种类的鉴别提供了一种可行的方法.
- 蔡小娜黄大庄沈佐锐高灵旺
- 关键词:数学形态特征主成分分析BP神经网络