多因变量svm回归算法的研究及其在光谱的分析中的应用

《多因变量svm回归算法的研究及其在光谱的分析中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法，基于结构风险最小化原则，可以有效地克服“维数灾难”和“过学习”等问题，被广泛应用于模式识别、回归分析、密度函数估计等领域。本文主要从理论和应用两个方面对支持向量回归机进行了研究，丰富了现有支持向量机模型。本文首先介绍了统计学习理论的主要概念和定理、支持向量回归机涉及到的最优化理论、以及多目标规划理论和求解方法。在最小二乘支持向量回归机(LS—SVM)算法的基础上建立了权重可优化的多因变量LS．SVld回归模型。现代近红外光谱分析技术已经成为目前发展速度最快、最引人注目的光谱分析技术之一，它与

2、计算机技术和化学计量学相结合为近红外光谱定量分析奠定了理论基础。本文利用烤烟和大豆的近红外光谱数据验证了多因变量LS—SVM建模算法的可行性。多因变量LS．SVM实际建模分析烤烟的四种组分一总糖、还原糖、总氨和烟碱的预测值与真实值问的相关系数分别为：o．9598、0．9412、0．9660、O．9489；大豆两种组分——粗蛋白和粗脂肪的预测值与真实值间的相关系数分别为0．8509、O．9711。本文还提出了“复合支持向量机”建模算法，利用水稻品质遥感监测试验所获得的高光谱数据，基于模拟研究的思想，五次数据模拟试验所得组分叶片含氮量的预测值和真实值间的相关系数

3、为O．89，平均绝对误差为O．088，验证了算法的有效性。研究结果表明，改进的支持向量机算法为光谱分析提供了新的数据建模方法，在光谱分析实验研究中将会有良好的应用前景。关键词：支持向量机，多目标规划，近红外光谱，遥感AbstractSupportVectorMachines(SVMs)isanewmachinelearningmethoddevelopedfromstatisticallearningtheory(SLT)，whichisabletoovercomeeffectivelytheproblemsofcurveofdimensionalityen

4、doverfittingetc，basedonstructuralriskminimization(SRM)principle．Therearemanyapplicationsinthefieldofpatternrecognition，regressionanalysis，densityfunctionestimationandsoon．Thispapermainlypresentssomeom"worksOllsupportvectorregression(SVR)machinefromtheoryandapplications，enrichexisti

5、ngSVMsModels．Toenablethispaperself-contained，firstweintroducedsomeconceptsandtheoremsofSTL，optimizationtheoryinvolvedinSVRaswellasmulti—objectiveprogrammingtheory．AndthenmultipledependentvariablesLS··SVMalgorithmprincipiumwasderivedfromLS·-SVMalgorithmviamulti-objectivelinearlyweig

6、htedideas．FinallyweconstructedmultipledependentvariablesLS-SVMregressionmodelwhoseweightedvaluescanbeoptimized．Atpresent，modemnearinfraredspectralanalysistechniquehasbecomeoneofthefastestgrowingandmoststrikingspectralanalysistechniques，whichestablishestheoreticalfoundationfornearin

7、fraredspectralquantitativeanalysisthroughtheintegrationofcomputertechnologyandchemicalmetrology．Intheend，weusednearinfraredspectraldataoftobaccoandsoybeantovalidatemultipledependentvariablesLS-SVMalgorithm’sfeasibility．Thetobaccodatahadfourgroups．Ineachgroup，thecorrelationcoefficie

8、ntbetweenpredictingvaluean