1、“.....圆锥状,凸状,平坦状,圆头状，凹陷状帽面纤维状，凹槽状，鳞状，平滑帽色褐色，浅黄色，黄褐色，灰白色，绿色，粉红色，紫色，红色，白色，黄色数据样本准备和接口部分数据接收部分数据预处理部分数据预测部分图数据样本准备和接口部分清肿是，否气味杏仁味，茴香，木溜油味，鱼腥味，恶心味，霉味，无味，刺激性气味，辛辣味鳃附属附贴，逐渐减少，无，有凹口鳃间隔紧合，紧促，远的鳃形状宽大，狭窄鳃颜色黑色，褐色，浅黄色，巧克力色，灰白色，绿色，橘色，粉红色，紫色，红色，白色，黄色茎秆形状逐渐加大，尖端细的茎秆根球根状，棍棒状，杯形，等状，丝束状，根深状，缺失茎秆表面下环纤维状，鳞状，丝状，平滑茎秆色彩上环褐色，浅黄色，黄褐色，灰白色，橘色，粉红色，红色，白色，黄色茎秆色彩下环褐色，浅黄色，黄褐色，灰白色，橘色，粉红色，红色，白色，黄色菌幕色彩褐色，橘色，白色，黄色环数目无二接收用户定参或系统推荐参数设置将物理属性样本转化为数据样本对数据样本进行学习......”。

2、“.....凋零状，摇曳的，硕大的，无，下垂的，覆盖的，区域状孢子印记色彩黑色，褐色，浅黄色，巧克力色，绿色，紫色，白色，黄色数目丰富的，群集的，为数众多的，分散的，些，唯的生长地草坪，树叶堆，草地，路径，城市，垃圾堆，森林对上述属性从左到右依次以递增进行编值。如果蘑菇有毒，则目标值为，否则，目标值为。对数据处理后得到个文件但这还不是我们需要的数据样本文件，因为它还不符合软件要求的格式，软件还不认识它，这就需要从网上下个格式转换宏文件。将所有数据复制进文件的的单元，再用工具宏执行下面有个选项，要选中这个然后运行就可以了，这时数据转换的问题就解决了,然后将转换后的数据到个记事本中。这里得到的结果为。蘑菇属性数据学习模型的建立属性学习模型是靠程序运行建立的。但为了所有数据取值区域统，先采用程序将其归化。下面表里反映的是部分蘑菇数据样本，第列是目标值，即蘑菇是否有毒。为演示方便......”。

3、“.....表是表归扩展后的结果。可以看出表中所有数据都被归扩展到到之间。表部分蘑菇属性数据样本部分蘑菇属性数据样本从而可以观察此子样本是否可以代表全样本。当然它这里的决定,的过程是采用相当于穷举的方法。从到逐递增试值，同样从到逐递增进行试值，从而可以得到最大的预测正确率，就可以把这个准确率和参数值打印出来。当然这个过程也仅仅是试值而已，并不定得到的就是最好的值，只是相对的，所以也可以自己指定值，利用用户给的参数来进行，从而得到文件进行预测。下面就是几个对比过程的演示对全样本数据提取数目为的子样本提取的文件已经写入表归扩展后的部分数据样本归扩展后的部分数据样本数据集经过归化处理得到文件。再对总样本数据集做目标检测样本集而做归化处理得。调用工具对样本交叉验证从而参数选择,。决定参数过程绘图函数最终得图为图样本数目为时的，和的关系图图中绘制了二维参数，和准确率的函数关系，从而得出，用最佳数值带入，得到文件。接着以此对总样本数据集做出检测检验......”。

4、“.....值输入为，值输入为数据集。经过归化处理得到文件。再对全样本数据检测样本做归化得。接着以给出的，的值带入进行，得文件再利用这文件对全样本数据进行得正确率以上是数目为的子样本的处理过程，下面是数目为的子样本处理过程。提取的文件已经写入的手写体阿拉伯数字识别长沙理工大学计算机与通讯工程学院，张录达，苏时光，王来生等支持向量机在傅里叶变换近红外光谱分析中的应用研究光谱学与光谱分析,张学工关于统计学习理论与支持向量机自动化学报,朱元珍，张辉仁，祝英等古今毒蘑菇识别方法评价甘肃科学学报,,,,,,,,,致谢在这篇论文即将完成的时候，我真心感谢王海燕老师。正是王老师以严谨的工作态度，为我的论文提出了很多宝贵的改进意见。这是我第次独立完成这样个复杂的系统，但王老师悉心指导和鼓励使我在编写论文时充满了信心。在论文的编写过程中也全面的总结了四年来学到的知识。感谢计算机科学系的所有老师们，正是在他们指导下，我才能深入而又全面的理解计算机方面的知识......”。

5、“.....回首大学四年的时光，我还清晰的记得老师们孜孜不倦的教导我们的身影。最后，再次感谢计算机科学系的老师们对我的培养,特别感谢王海燕老师,数据集经过归化处理得到文件再对总样本数据集做目标检测样本集而做归化处理得对样本交叉验证从而参数选择,定参数过程的绘图函数得图为图样本数目为时的，和的关系图用最佳数值学习,得到接着以此对总样本数据集做出检测检验,得正确率从以上三次和过程我们可以看出采用工具要比用户定参数值好很多，如果没有定的参数赋值经验的人还是使用工具比较好。而第三次过程使用的数目多了倍的子样本，正确率也提高了，但用工具定参数的过程中，样本数据数目的增加是以函数计算时间为代价的。就好比当子样本数目就是全样本数据数目时，计算时间就会长达个小时。当然以上每个过程的定值准确率结果都达到了以上，故我们可以认为选的子样本可以代替全样本去进行预测。蘑菇毒性预测部分将准备好的蘑菇样本数据进行归扩展数据预处理并学习后可作为的学习模型......”。

6、“.....这里整个工作流程如图所示图整个工作流程所以这个部分由读取用户选择的蘑菇属性数据部分数据预处理部分和计算结果并显示部分模块组成，如图所示图蘑菇属性预测部分读取用户选择的蘑菇属性数据部分罗列蘑菇物理属性，让用户选择相应的属性特征，对应的开发界面如图读取用户选择的蘑菇属性数据数据预处理计算结果并显示数据预处理部分蘑菇属性预测部分读取用户选择的蘑菇属性数据部分计算结果并显示部分图判断界面用户在各个属性下拉框中选择相应的条目后，由于过程中都已经告诉了用户每次之后的文件地址以及其相应的准确率，从而让用户根据自己硬件软件以及系统效果的需求来选择相应的文件进行或称作毒性分类。数据预处理部分对输入的属性转化为数据写入文件，并进行归扩展处理。计算结果并显示部分执行程序对蘑菇数据属性文件进行分类，再将其分类结果写入另文件，通过读取这文件的值为或，来判断待检验蘑菇是否有毒，从而最后以提示框来告诉用户分类结果......”。

7、“.....本次系统开发关键之处在于两处子样本数目的确定参数，的确定以及其对精确度的影响。上面说过训练数据集时当样本数目为全样本数据数目时，虽然准确率及其的高，但耗费时间相当的长，不适合实际应用。这时候尝试着用部分子样本数据去实际应用，能满足耗费时间短同时预测准确率高。从以上的实验可以得到以下表格表中准确率为采用的学习样本预测全样本数据的正确率，所以当样本数据数目取时，准确率当然为。但是当样本数据数目为或时，定参的耗费时间急剧的减少，同时准确率并未减少太多，说明样本的重复拟合数据较多，仅采用部分数据不仅不太影响准确率，还可以大大的减少计算样本参数的时间。所以这里我们选用子样本数目为的，耗费时间仅为，准确率还很高。对于采用上面选择的数据样本学习时，程序众多的参数设置中最重要的是值和核函数函数值。至今没有个准确的算法来决定到底和值为多少，唯的办法就是逐试值，当然最好还是让电脑进行赋值并筛选出最好的值。表样本数据数目，耗费时间和准确率的关系......”。

8、“.....和准确率的关系,准确率由此可见，花些时间用来计算得到和的值，对于提高数据样本学习准确率还是值得的。至此，本文完成了以下工作阅读了大量中外相关文献，充分了解了与蘑菇毒性检测相关的研究现状和技术水平，对本课题所涉及的蘑菇毒性检测系统进行了深入细致的学习，熟悉相关工作原理。了解了支持向量机的研究现状，掌握了支持向量机的基本特点。支持向量机训练选择了核函数分类方法，而且选择了取子样本进行学习来节约时间，获得了较满意的结果。把构造的支持向量机分类器应用于蘑菇毒性检测，采用不同的学习参数分别进行蘑菇毒性检测测试。选择效果相对较好的学习模型，取得了较好的结果。利用与相结合作为开发工具，编写数据处理代码，最终形成本研究适用的蘑菇属性处理件。此系统采用可视化界面，具备人机交互功能。利用该系统可对蘑菇物理属性进行处理。在研究过程中，较充分权衡了精度和速度的矛盾，并考虑了实际应用的要求......”。

9、“.....下步工作机器学习应用于农产品检测，是实现农产品检测自动化和智能化的必然趋势，对我国这样的农业大国有极其重要的意义。在基于支持向量机的蘑菇毒性检测方面，本研究所涉及的内容和方法，只是刚刚起步，有许多方面有待深入研究和进步完善扩大蘑菇的属性选择，深入分析蘑菇的属性与其是否有毒之间的关系，并就各特征在毒性检测中的作用进行评估，以提高毒性检测准确率。如何选择最优核函数及其参数，大多以经验或反复试算，将其它的优化算法与支持向量结合来达到最佳优化效果，也是进步的研究方向。就蘑菇毒性检测问题，专用核函数的构造有待于进步研究。进步完善基于支持向量机的蘑菇毒性检测系统。目前蘑菇毒性检测系统是采用用户输入属性来进行系统分析的，下步，将其扩展成自动扫描蘑菇图片来提取相关物理属性从而自动判断蘑菇的是否有毒，即添加其机器视觉功能。并进步优化蘑菇毒性检测系统，提高效率，节约时间，而不影响其正确率，并向实用化发展。参考文献陈莲娜......”。