基于支持向量机的红外光谱子结构解析

论文摘要

几十年以来,人们一直在探索将红外谱图的解析经验化。随着商品化红外光谱仪的计算机化,出现了许多计算机辅助红外光谱识别方法,这些方法大致可以分为三类:专家系统;谱图检索系统;模式识别方法。其中最常用的模式识别方法是人工神经网络和偏最小二乘法。文献表明它们对存在的结构碎片的预测准确度不是很高,且神经网络尚存在不稳定、容易陷入局部最优和收敛速度慢等问题。本文将支持向量机用于红外光谱子结构解析,支持向量机是一种很好的用于小样本体系的机器学习算法。随机选取了OMNIC 数据库中的823张谱图,将其分为两部分,取偶数部分的谱图作为训练集,含有411张;取奇数部分的谱图作为预测集,含有412张。对红外光谱中16个常见的子结构进行解析。在训练的过程中调整参数（C,σ）,使得支持向量机能够以很高的精度对“存在”的子结构进行得预测,当“存在”预测精度很高,而“不存在”的预测精度低的时候,就要稍微降低一下“存在”的预测精度,使得“不存在”的也有较好的预测精度。所训练的支持向量机对16 个子结构“存在”的预测正确率（Pc）和“不存在”的预测正确率（Ac）的平均值分别为93.3%和99.0%,“存在”的预测可信度(Qpr)和“不存在”的预测可信度(Qar)的平均值分别为96.0%和98.8%,平均统计特性（EQr）为93.4%。相应的使用神经网络对这些数据进行训练并预测,所训练的神经网络对16 个子结构“存在”的预测正确率（Pc）和“不存在”的预测正确率（Ac）的平均值分别为91.5%和98.5%,“存在”的预测可信度(Qpr)和“不存在”预测可信度(Qar)的平均值分别为92.0%和98.7%,平均统计特

论文目录

• 中文摘要
• 英文摘要
• 1 前言
• 1.1 红外光谱简介
• 1.2 红外光谱的应用
• 1.2.1 定性分析
• 1.2.2 定量分析
• 1.3 计算机辅助红外光谱解析
• 2 支持向量机
• 2.1 线性支持向量机
• 2.2.1 线性可分
• 2.2.2 线性不可分
• 2.2 非线性支持向量机
• 2.3 支持向量机回归
• 3 神经网络
• 3.1 误差反向传播神经网络
• 3.1.1 BP 算法的基本原理
• 3.1.2 BP 学习算法的优化
• 3.2 径向基函数网络
• 4 支持向量机用于解析红外光谱子结构
• 4.1 数据处理以及软硬件设备
• 4.1.1 数据处理
• 4.1.2 软硬件设备
• 4.2 支持向量机在红外光谱解析方面的应用
• 4.2.1 支持向量机的训练
• 4.2.2 支持向量机识别输出数据的统计指标
• 4.2.3 输入节点数对预测结果的影响
• 4.2.4 支持向量机对子结构的预测结果
• 4.2.5 神经网络对子结构的预测结果
• 4.3 讨论
• 4.3.1 支持向量机和神经网络预测结果的比较
• 4.3.2 预测能力与特征波段之间的关系
• 4.3.3 训练结果与样本数目的关系
• 4.3.4 支持向量机的优势
• 4.4 结论
• 4.5 展望
• 5 支持向量机回归用于炭黑工艺建模
• 5.1 炭黑及炭黑生产工艺简介
• 5.1.1 炭黑
• 5.1.2 炭黑生产工艺
• 5.2 炭黑工艺建模的实际意义及必要性
• 5.3 数据处理以及软硬件设备
• 5.3.1 数据来源及预处理
• 5.3.2 软硬件设备
• 5.4 支持向量机方法在炭黑工艺建模中的应用
• 5.4.1 支持向量机用于炭黑工艺建模
• 5.4.2 神经网络用于炭黑工艺建模
• 5.4.3 支持向量机和神经网络预测结果的比较
• 5.5 结论
• 6 参考文献
• 7 硕士期间发表论文情况
• 8 致谢
• 9 声明