多因變量SVM回歸算法研究及其在光譜分析中的應用.pdf

1、支持向量機是在統(tǒng)計學習理論基礎上發(fā)展起來的一種新的機器學習方法，基于結構風險最小化原則，可以有效地克服“維數(shù)災難”和“過學習”等問題，被廣泛應用于模式識別、回歸分析、密度函數(shù)估計等領域。本文主要從理論和應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)計學習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)算法的基礎上建

2、立了權重可優(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之一，它與計算機技術和化學計量學相結合為近紅外光譜定量分析奠定了理論基礎。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、總氮和煙堿的預測值與真實值間的相關系數(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測值與真實值間的相關系數(shù)分別為0.8509、0.9711。本文還提出了“復合支持向量機”建模算法，利用水稻品質遙感監(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測值和真實值間的相關系數(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用前景