多因變量SVM回歸算法研究及其在光譜分析中的應(yīng)用.pdf

1、支持向量機是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機器學(xué)習(xí)方法，基于結(jié)構(gòu)風(fēng)險最小化原則，可以有效地克服“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等問題，被廣泛應(yīng)用于模式識別、回歸分析、密度函數(shù)估計等領(lǐng)域。本文主要從理論和應(yīng)用兩個方面對支持向量回歸機進行了研究，豐富了現(xiàn)有支持向量機模型。 本文首先介紹了統(tǒng)計學(xué)習(xí)理論的主要概念和定理、支持向量回歸機涉及到的最優(yōu)化理論、以及多目標(biāo)規(guī)劃理論和求解方法。在最小二乘支持向量回歸機(LS-SVM)算法的基礎(chǔ)上建

2、立了權(quán)重可優(yōu)化的多因變量LS-SVM回歸模型。 現(xiàn)代近紅外光譜分析技術(shù)已經(jīng)成為目前發(fā)展速度最快、最引人注目的光譜分析技術(shù)之一，它與計算機技術(shù)和化學(xué)計量學(xué)相結(jié)合為近紅外光譜定量分析奠定了理論基礎(chǔ)。本文利用烤煙和大豆的近紅外光譜數(shù)據(jù)驗證了多因變量LS-SVM建模算法的可行性。多因變量LS-SVM實際建模分析烤煙的四種組分——總糖、還原糖、總氮和煙堿的預(yù)測值與真實值間的相關(guān)系數(shù)分別為：0.9598、0.9412、0.9660、0.94

3、89；大豆兩種組分——粗蛋白和粗脂肪的預(yù)測值與真實值間的相關(guān)系數(shù)分別為0.8509、0.9711。本文還提出了“復(fù)合支持向量機”建模算法，利用水稻品質(zhì)遙感監(jiān)測試驗所獲得的高光譜數(shù)據(jù)，基于模擬研究的思想，五次數(shù)據(jù)模擬試驗所得組分葉片含氮量的預(yù)測值和真實值間的相關(guān)系數(shù)為0.89，平均絕對誤差為0.088，驗證了算法的有效性。 研究結(jié)果表明，改進的支持向量機算法為光譜分析提供了新的數(shù)據(jù)建模方法，在光譜分析實驗研究中將會有良好的應(yīng)用前景