核方法在近红外光谱中的应用研究

论文摘要

近红外光谱(Near Infrared Spectrum, NIRS)技术以其分析效率高、检测快速、成本低廉等等独特的优点在各个领域都有广泛的应用。近红外光谱法是根据样品的某种组分对近红外区域光谱的吸收特性对该种组分性质进行测定,因此近红外光谱法的重点就是通过一些方法建立化学成分与吸收光谱数据之间的函数关系。这样建模方法就成为了核心的研究工作。本文阐述了近红外光谱分析中典型的并且具有较好分析效果的回归建模方法——偏最小二乘法的简要原理。并应用其建立了试验样本的校正模型。但是往往化学成分与吸收光谱之间的定量函数关系是非线性的,而此时传统的线性建模方法会受这种非线性关系的影响而使模型的预测能力降低。因此,本文提出了一种基于核方法非线性建模方法——支持向量回归,并且采用网格搜索方法和基于遗传算法的参数确定方法对参数进行了选择,以同样的试验样品建立校正模型,对比两种模型的预测能力。最终得到结论基于核方法的非线性支持向量回归建立的模型精度高,推广能力更强。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 近红外光谱的发展及应用
• 1.2 核方法的发展及应用
• 1.3 本论文主要工作
• 第二章 核方法的相关理论
• 2.1 机器学习理论
• 2.2 核方法的基本理论
• 2.3 Mercer定理及几种常用的核函数
• 第三章 近红外光谱中传统的线性学习方法
• 3.1 近红外光谱的基本理论简述
• 3.2 近红外光谱的分析过程
• 3.3 典型的学习方法——偏最小二乘回归
• 3.4 基于PLS方法建模
• 第四章 基于核方法的近红外光谱非线性建模研究
• 4.1 支持向量机的理论基础
• 4.2 支持向量机（SVM）的提出
• 4.3 线性支持向量回归机
• 4.4 基于核函数的支持向量回归
• 第五章 SVR相关参数的选择
• 5.1 ε-不敏感损失函数
• 5.2 惩罚因子
• 5.3 算法选择优劣的评价指标
• 5.4 核函数的选取
• 5.5 支持向量机参数及核参数的选择
• 5.6 基于核方法的SVR建模
• 结论
• 致谢
• 参考文献