自適應小波包特征提取支持向量機建模及光譜分析應用.pdf

1、近紅外光譜技術(shù)具有分析速度快、樣品前處理要求不高、分析過程中不消耗其它材料或破壞樣品、分析重現(xiàn)性好、成本低等優(yōu)點,是一種新型的高效分析技術(shù),在很多領(lǐng)域都有廣泛的應用。但是近紅外光譜也有著特征區(qū)域不明顯,光譜信息冗余等問題。在對復雜體系進行定量分析時,通常都會把近紅外光譜技術(shù)與化學計量學方法結(jié)合起來。本論文的主要內(nèi)容是提出了一種新的化學計量學方法并應用于近紅外光譜數(shù)據(jù)的分析,主要內(nèi)容如下:
　　(1)結(jié)合近紅外光譜的特點,提出了一種

2、基于粒子群優(yōu)化算法的自適應小波包變換特征提取支持向量機建模新算法。小波包變換不同于小波變換,它在對原始信號分解時是同時分解低頻和高頻信號,而小波變換僅僅是對低頻信號進行分解。在小波包變換中原始信號通過更多的濾波器,使得小波包變換在特征提取、平滑信號、去基線的過程中更加靈活。支持向量機是一種基于統(tǒng)計學習理論原則的學習機,它采用結(jié)構(gòu)最小化原理,在很多方面表現(xiàn)出了良好的泛化能力。在構(gòu)建小波包變換結(jié)合支持向量機方法模型時,因為小波包變換中小波包

3、分解樹的構(gòu)建是一個離散優(yōu)化問題,而在支持向量機中參數(shù)的確定則是一個連續(xù)空間中的優(yōu)化問題,同時調(diào)用離散型與連續(xù)型兩種版本的粒子群優(yōu)化算法可以解決上述兩類優(yōu)化問題,實現(xiàn)模型性能的協(xié)同優(yōu)化。在對肉類近紅外光譜數(shù)據(jù)進行分析時,較之人工神經(jīng)網(wǎng)、傳統(tǒng)支持向量機等方法,發(fā)現(xiàn)此方法建立的定量分析模型更為穩(wěn)健。
　　(2)把這種新算法應用于玉米中水分和蛋白近紅外光譜數(shù)據(jù)的定量預測,并與偏最小二乘、人工神經(jīng)網(wǎng)絡、基于熵最小準則的小波包變換結(jié)合支持向量

4、機算法進行了對比。雖然基于粒子群優(yōu)化的小波包變換支持向量機模型也出現(xiàn)了一定的過擬合現(xiàn)象,但是與其他模型相比較訓練集和預測集樣本的均方根誤差值均有顯著下降,預測模型的精度和泛化能力都有了很大的提高。這為基于近紅外光譜技術(shù)的玉米品質(zhì)檢驗提供了一種可靠的定量分析方法。
　　(3)干草的品質(zhì)分析在整個畜牧業(yè)具有很大的意義,近紅外光譜技術(shù)結(jié)合化學計量學用于干草有效成分的定量分析,有助于實現(xiàn)快速、低成本的干草品質(zhì)分析。本文中,結(jié)合近紅外光譜技