基于rbf神经网络的重叠峰解析

《基于rbf神经网络的重叠峰解析》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、独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得安徽大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：茜许聚签字日期：弘，牛年歹月叫日学位论文版权使用授权书本学位论文作者完全了解安徽大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权安徽

2、大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书)学位论文作者签名：苍种聚签字日期：弘／中年r月2，／日导师签名：吴多哈签字日期：弘f牛年歹月2，j日摘要随着计算机、仪器仪表、光纤技术和计量学方法的不断进步发展，包括农牧产品、食品制造、化学化工、医药制造、烟草行业等在内的许多领域广泛的采用近红外光谱(NIR)分析技术。在光谱分析的研究中会经常遇到光谱的重叠现象，对重叠峰的研究是探索光谱应用的重要方面。好的重叠峰分析方法会对进一步的研究

3、奠定良好的基础，重叠峰分峰方法是研究的重要内容。数据预处理和重叠峰分析方法是光谱分析的主要研究探索方向，有效的数据处理和分析方法可以有效的帮助分析光谱组成成分从而进一步对物质的研究。在实验条件有限的条件下得到的谱峰会包含各种噪声信号和干扰信号，若不对数据进行适当的预处理和分析，则会降低重叠峰分解的可靠性和准确性，从而不能得到希望能够利用的有价值的信息。数据预处理方法可以根据建模类型及实际情况进行选择。在重叠峰分峰中偏最小二乘法能够把数据的分解和回归分析融合在一起，适于非线性系统数据的建模，但是存在建模过程复杂、不便于操作等缺点。对于

4、谱峰严重重叠、有价值信号较弱、噪声较大的情况，可以利用人工神经网络法建模。径向基函数(RBF)神经网络是一种有效的前馈式神经网络，它不但具有全局最优和最佳逼近的性能，还同时方法速度快简单易行、不会存在局部的最优问题的特点。基于这些优点，RBF网络在非线性问题的预测中有着大量的应用。高斯拟合是重叠峰解析常用的方法，可以用此方法来获得肉眼分辨不出的重叠峰，得到重叠谱线的相关数据信息。本文主要介绍RBF神经网络结合导数光谱法预测重叠峰初始参数，利用高斯拟合分析方法，包括单峰、多峰和重峰分析。通过建模并利用程序分析，绘出图形以便直观查看和原

5、始峰形的匹配程度，得到相关谱线数据。关键词：重叠峰；神经网络：I也F神经网络；高斯拟合AbstractoVerlappingpeaks，getreleVantdata6．omoVerlappingpedks．ThispaperdescmestheRBFneuralnetworkGaussianfittingmethod，includingsinglepeal(，multimodalaJlalysisa11dajlalysisofoverlappingpeal(s．Throu曲theuseofmodelingandprog删nanal

6、ysis，inordertoilrawaIlintuitivegr印hicalviewaIlddegreeofmatchingoftheoriginalpeakshape，getrelevaIltspectraldata．Keywords：oVerlappingpeaks；neuralne撕ork；I之adialBasisFunction(IⅧF)neuralnet、Ⅳork；GaussiaJlfitting目录3．2砌强神经网络⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．133．2．1I也F网络的结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯

7、⋯⋯⋯⋯⋯⋯⋯一133．2．2RBF网络的函数逼近理论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．143．2．3RBF神经网络的优点及问题⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．153．2．4I也F神经网络的研究与应用⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一163．3I也F．OLS神经网络⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．173．4RBF．OLS神经网络实例验证⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯193．5本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯21第4章重叠峰解析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯224

8、．1光谱重叠峰的数学描述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．224．2基线校正⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯224．2．1非对称最小二乘算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯224．2．2改进的非对称最