支持向量机算法在玻璃制品分类问题研究中的应用

[4]，支持向量个数为67，将是否风化、氧化钾(K2O)、氧化铅(PbO)、氧化钡(BaO)、氧化锶(SrO)项作为自变量，而将类型作为因变量，将数据进行归一化处理。训练集比例设置为0.8，进行SVM支持向量机建模。高斯核函数模型实现效果和测试集混淆矩阵如下所示（其中，高钾玻璃-1，铅钡玻璃-2）。表4-2高斯核函数模型实现效果名称参数名参数值模型参数设置数据预处理None训练集比例0.8误差项惩罚系数0.735kernelrbf核函数系数值0.01多分类决策函数ovr模型收敛参数0.001最大迭代次数2000模型评估效果准确率100.000%精确率(综合)100.000%召回率(综合)100.000%f1-score1.000由此可知：当惩罚参数选择为0.735，训练集比例设置为0.8时，最终模型在测试集上得到的准确率为100.00%，精确率(综合)为100.00%，召回率(综合)为100.00%，f1-score(综合)为1.00。模型效果较优，即带有高斯核函数的支持向量机能够很好的对古代玻璃文物进行分类。

5研究总结和展望本文主要研究两个部分的内容，即对玻璃文物类型的研究和基于支持向量机算法对玻璃文物分类中的应用。在第一个部分中，基于从考古资源库中获取的数据，采用斯皮尔曼相关性分析可以得到玻璃风化情况与化学成分之间的显著相关性，以及对不同类型化学成分在风化前后的含量进行描述性统计，为接下来的研究提供了重要的理论基础。其次，本文还提出了一个较优的分类方法，即层次聚类模型，经过与实际结果的对比，仅有编号为30与24的玻璃文物被错分，准确率较高。在第二个部分中，得益于第一个部分的分析结果，本文采用CRT成长法构建决策树模型，将十四种化学成分作为自变量，将玻璃类型作为因变量进行交叉验证。得到降维后的支持向量机模型特征集，确定特征数n为5，训练样本数m为67，选用高斯核函数对玻璃文物进行分类，当惩罚参数选择为0.735，训练集比例设置为0.8时，最终模型在测试集上得到的准确率为100.00%，模型结果较优。本文提供了一个较为普适的玻璃文物的鉴别方法，但尚有许多没有考虑到的地方。比如说，在支持向量机算法在玻璃文物分类的应用中，未能考虑使用其他核函数的支持向量机分类算法，在寻找最优惩罚参数和核函数上，过于依赖于直觉和经验，未有详细的计算过程。本文将数学模型与考古学有机结合，使用高斯核函数的SVM模型对玻璃文物分类准确率较高。即本文所做的研究、设计的算法、得到的结果具有较高的普适性，可将其应用到玻璃文物的实际鉴别中。

参考文献张斌.PIXE在古陶瓷、古玻璃产地中的应用研究[D].复旦大学,2004.赵匡华.试探中国传统玻璃的源流及炼丹术在其间的贡献[J].自然科学史研究,1991,(02):145-156.邵光明,夏贤齐,殷何杰.基于CART和聚类分析的古代玻璃分类预测模型研究[J].通化师范学院学报,2024,45(02):31-35.DOI:10.13877/22-1284.2024.02.005.李玲玲.基于统计分析方法对古代玻璃制品成分的分析与鉴别[J].中国新技术新产品,2023,(02):99-101.DOI:10.13612/tp.2023.02.014.黄慧婷,李春明,刘思语,等.基于成分数据的古代玻璃制品的成分分析与鉴别[J].数学建模及其应用,2023,12(02):52-62+124.DOI:10.19943/j.2095-3070.jmmia.2023.02.05.康斓.基于改进GDBT与K-means聚类的玻璃文物亚类划分研究[J].信息技术与信息化,2023,(07):149-152.平源.基于支持向量机的聚类及文本分类研究[D].北京邮电大学,2012.丁世飞;齐丙娟;谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(01):2-10.栗然,李广敏.基于支持向量机回归的光伏发电出力预测[J].中国电力,2008,(02):74-78.胡海青,张琅,张道宏,等.基于支持向量机的供应链金融信用风险评估研究[J].软科学,2011,25(05):26-30+36.杨兆升,王媛,管青.基于支持向量机方法的短时交通流量预测方法[J].吉林大学学报(工学版),2006,(06):881-884.DOI:10.13229/ki.jdxbgxb2006.06.010.惠姣姣;曹红宝.基于机器学习分类算法的玻璃文物鉴定[J].现代信息科技,2023,7(13):101-104.DOI:10.19850/ki.2096-4706.2023.13.021祁亨年.支持向量机及其应用研究综述[J].计算机工程,2004,(10):6-9.杜世强;乐靖雯;周海丽;杨松杰.出土玻璃制品成分分析与鉴别研究[J].西北民族大学学报(自然科学版),2023,44(02):8-16.DOI:10.14084/62-1188/n.2023.02.006骆庆开.基于特征空间理论的几种SVM参数选取结果[D].大连理工大学,2008.赵志强.湖南里耶麦茶战国墓地出土玻璃制品的检测与分析[J].湖南考古辑刊，2020：288-301张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,(01):36-46.DOI:10.16383/j.aas.2000.01.005.骆庆开.基于特征空间理论的几种SVM参数选取结果[D].大连理工大学,2008./qq_42192693/article/details/121164645吴涛．核函数的性质、方法及其在障碍检测中的应用[D]．国防科技技术大学研究生院博士学位论文，2003．张小云，刘允才．高斯核支持向量机的性能分析[J]．计算机工程，2003，29（8）：23-25．奉国和.SVM分类核函数及参数选择比较[J].计算机工程与应用,2011,47(03):123-124+128.

附录附一：出土古代玻璃文物纹饰、类型、颜色和表面风化情况；文物编号纹饰类型颜色表面风化文物编号纹饰类型颜色表面风化01C高钾蓝绿无风化30A铅钡深蓝无风化02A铅钡浅蓝风化31C铅钡紫无风化03A高钾蓝绿无风化32C铅钡浅绿无风化04A高钾蓝绿无风化33C铅钡深绿无风化05A高钾蓝绿无风化34C铅钡深绿风化06A高钾蓝绿无风化35C铅钡浅绿无风化07B高钾蓝绿风化36C铅钡深绿风化08C铅钡紫风化37C铅钡深绿无风化09B高钾蓝绿风化38C铅钡深绿风化10B高钾蓝绿风化39C铅钡深绿风化11C铅钡浅蓝风化40C铅钡风化12B高钾蓝绿风化41C铅钡浅绿风化13C高钾浅蓝无风化42A铅钡浅蓝风化14C高钾深绿无风化43C铅钡浅蓝风化15C高钾浅蓝无风化44A铅钡浅蓝风化16C高钾浅蓝无风化45A铅钡浅蓝无风化17C高钾浅蓝无风化46A铅钡浅蓝无风化18A高钾深蓝无风化47A铅钡浅蓝无风化19A铅钡风化48A铅钡风化20A铅钡浅蓝无风化49A铅钡黑风化21A高钾蓝绿无风化50A铅钡黑风化22B高钾蓝绿风化51C铅钡浅蓝风化23A铅钡蓝绿风