多任務學習及其在光譜數(shù)據(jù)分析中的應用.pdf

1、近年來，利用紫外可見或者紅外光譜儀測量分析物的光譜信息，之后從光譜信息中提取分析物的各種化學物理參數(shù)的方法在工業(yè)中得到了廣泛的應用。這種方法使用起來的簡便快速，同時基本不會損害分析樣本。光譜測量方法特別適合于如水中污染物監(jiān)測這類的在線實時監(jiān)控中。光譜分析方法的流行的一個主要原因是隨著近年來機器學習技術的發(fā)展，越來越多的新的先進的機器學習技術被引入到了光譜數(shù)據(jù)的建模之中。同時為了適應光譜數(shù)據(jù)維度高，各個維度之間存在強相關性的特點，人們也提

2、出來許多適合于光譜數(shù)據(jù)分析的新的建模方法。本文從研究采用紫外可見光譜的水質(zhì)監(jiān)控系統(tǒng)出發(fā)，研究了多個光譜定量分析模型的標定問題以及多個光譜標定模型之間的遷移問題。主要是將機器學習中多任務學習的方法引入到了光譜數(shù)據(jù)分析中，針對光譜數(shù)據(jù)的特點設計了幾種新的光譜定量分析以及模型遷移的方法，之后將這些方法推廣了一般的機器學習問題之中。本文的主要工作可以歸結(jié)為以下幾個方面:
　　第一，在利用光譜數(shù)據(jù)對分析物進行分析的時候，通常我們需要在實驗室

3、中搜集大量樣本，然后用適當?shù)墓庾V多元校正模型對樣本的物理或者化學特征以及其對應的測量光譜之間的關系進行建模。在實際的使用中的光譜數(shù)據(jù)測量的環(huán)境可能與建模的實驗室環(huán)境并不相同，因此我們通常也會搜集一些實際環(huán)境下的樣本，然后用實際環(huán)境下的樣本對實驗室中建立的模型進行遷移，獲得適合于實際環(huán)境中的模型。我們提出了幾種基于多任務學習和高斯過程的模型遷移方法，這些方法只需要使用少量的真實環(huán)境中的樣本就可以把實驗室中建立的模型遷移到真實的環(huán)境之中。<

4、br>　　第二，對于一個基于紫外可見光譜儀的水質(zhì)檢測系統(tǒng)，我們會搜集到多個環(huán)境下的光譜和分析物濃度的數(shù)據(jù)，如果能夠同時利用這些多個環(huán)境中的數(shù)據(jù)以及他們之間多元校正模型之間的聯(lián)系，就可以構建出各個環(huán)境下的更加準確模型。我們利用了多任務學習的方法來分析不同光譜儀數(shù)據(jù)之間的聯(lián)系，對于光譜數(shù)據(jù)特征維度高的特點，提出了兩種同時選取特征波長以及提取不同模型之間共同結(jié)構的新的多任務學習方法。
　　第三，我們提出了一種貝葉斯的可以同時進行特征提取

5、的稀疏混合專家模型?；旌蠈＜夷Ｐ涂梢詫⑤斎霕颖緞澐值蕉鄠€子空間，然后用不同的子模型分別對劃分后的數(shù)據(jù)進行建模，為了使得混合專家模型能夠分析高維光譜數(shù)據(jù)，我們將稀疏貝葉斯方法與混合專家模型結(jié)合提出了一種新的稀疏混合專家模型。新提出的這個模型可以在不知道光譜數(shù)據(jù)的來源的時候分析從多種環(huán)境下搜集到的光譜數(shù)據(jù)。
　　第四，將多任務學習方法和混合專家模型建模方法進行了結(jié)合，將多任務學習方法應用到單個分類問題之中，提出了一種使用跡范數(shù)正則的混