The present wood species classification systems can usually process the limited wood species quantity. We propose a novel incremental self-adaptive wood species classification system to solve the above-mentioned issue. The visible/near-infrared (VIS/NIR) spectrometer is used to pick up the spectral curves of wood samples for the subsequent wood species classification. First, when new wood samples of unknown wood species are added, they are classified as an unknown category by our one-class classifier, Support Vector Data Description (SVDD), while the existent wood species are classified as a known category by the SVDD. Second, the wood samples of known species are sent into the BP neural network for subsequent wood species classification. Third, the new wood samples of unknown species are sent into the Clustering by Fast Search and Find of Density Peaks (CFSFDP) algorithm for the unsupervised clustering, and the clustering result is evaluated by the internal and external norms. Last, if one cluster of one unknown species has an adequate amount of wood samples, these wood samples are removed and identified by human experts or other schemes to ensure to get the correct wood species name. Then, these wood samples are considered as a new known species and are sent into the classifiers, SVDD and BP neural network, to train them again. Experiments on 13 wood species prove the effectiveness of our prototype system with an overall classification accuracy of above 95%.

中文翻译：

---

一种增量式自适应木材物种分类原型系统

当前的木材种类分类系统通常可以处理有限的木材种类数量。为了解决上述问题，我们提出了一种新颖的增量式自适应木材物种分类系统。可见/近红外（VIS / NIR）光谱仪用于采集木材样品的光谱曲线，用于后续的木材物种分类。首先，当添加未知木材物种的新木材样本时，我们的一类分类器支持向量数据描述（SVDD）将它们分类为未知类别，而SVDD将现有木材物种分类为已知类别。其次，将已知物种的木材样本发送到BP神经网络以进行后续的木材物种分类。第三，通过快速搜索和密度峰值查找（CFSFDP）算法将未知物种的新木材样本发送到聚类中，进行无监督聚类，并通过内部和外部规范评估聚类结果。最后，如果一簇未知物种中有足够数量的木材样本，则这些木材样本将被人类专家或其他计划删除并进行标识，以确保获得正确的木材物种名称。然后，这些木材样品被视为新的已知物种，并被发送到分类器SVDD和BP神经网络，以对其进行再次训练。在13种木材上进行的实验证明了我们的原型系统的有效性，总体分类精度达到95％以上。聚类结果由内部和外部规范评估。最后，如果一簇未知物种中有足够数量的木材样本，则这些木材样本将被人类专家或其他计划删除并进行标识，以确保获得正确的木材物种名称。然后，这些木材样品被视为新的已知物种，并被发送到分类器SVDD和BP神经网络，以对其进行再次训练。在13种木材上进行的实验证明了我们的原型系统的有效性，总体分类精度达到95％以上。聚类结果由内部和外部规范评估。最后，如果一簇未知物种中有足够数量的木材样本，则这些木材样本将被人类专家或其他计划删除并进行标识，以确保获得正确的木材物种名称。然后，这些木材样品被视为新的已知物种，并被发送到分类器SVDD和BP神经网络，以对其进行再次训练。在13种木材上进行的实验证明了我们的原型系统的有效性，总体分类精度达到95％以上。这些木材样品被认为是新的已知物种，并被送入分类器SVDD和BP神经网络，以对其进行再次训练。在13种木材上进行的实验证明了我们的原型系统的有效性，总体分类精度达到95％以上。这些木材样品被认为是新的已知物种，并被送入分类器SVDD和BP神经网络，以对其进行再次训练。在13种木材上进行的实验证明了我们的原型系统的有效性，总体分类精度超过95％。