光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2006年
12期
2232-2235
,共4页
支持向量机%遗传算法%泛化能力%结构参数
支持嚮量機%遺傳算法%汎化能力%結構參數
지지향량궤%유전산법%범화능력%결구삼수
针对红外光谱气体分析中建立数据模型需要标定大量样本的问题,提出一种基于正则理论的支持向量机的小样本机器学习方法,该方法能在获得模型参数全局最优点的同时保证训练误差为零,因而能较好地消除光谱间的交叉敏感现象,利用其良好的非线性映射能力对多组分红外光谱仪的试验结果表明,该方法可使光谱仪的交叉灵敏度下降约81倍.针对支持向量机(SVM)没有足够的理论支持的结构参数选取比较困难的问题,提出一种基于遗传算法和交叉检验相结合的遗传支持向量机(GA_SVM)算法,利用遗传算法的随机搜索特性求取SVM的最优结构参数,在20世代即可求取光谱仪的最小均方根误差(MSE)0.018,并且在算法的前数世代,系统的MSE即已开始成倍下降.这些结果表明GA_SVM光谱仪具有更高的效率和泛华能力.
針對紅外光譜氣體分析中建立數據模型需要標定大量樣本的問題,提齣一種基于正則理論的支持嚮量機的小樣本機器學習方法,該方法能在穫得模型參數全跼最優點的同時保證訓練誤差為零,因而能較好地消除光譜間的交扠敏感現象,利用其良好的非線性映射能力對多組分紅外光譜儀的試驗結果錶明,該方法可使光譜儀的交扠靈敏度下降約81倍.針對支持嚮量機(SVM)沒有足夠的理論支持的結構參數選取比較睏難的問題,提齣一種基于遺傳算法和交扠檢驗相結閤的遺傳支持嚮量機(GA_SVM)算法,利用遺傳算法的隨機搜索特性求取SVM的最優結構參數,在20世代即可求取光譜儀的最小均方根誤差(MSE)0.018,併且在算法的前數世代,繫統的MSE即已開始成倍下降.這些結果錶明GA_SVM光譜儀具有更高的效率和汎華能力.
침대홍외광보기체분석중건립수거모형수요표정대량양본적문제,제출일충기우정칙이론적지지향량궤적소양본궤기학습방법,해방법능재획득모형삼수전국최우점적동시보증훈련오차위령,인이능교호지소제광보간적교차민감현상,이용기량호적비선성영사능력대다조분홍외광보의적시험결과표명,해방법가사광보의적교차령민도하강약81배.침대지지향량궤(SVM)몰유족구적이론지지적결구삼수선취비교곤난적문제,제출일충기우유전산법화교차검험상결합적유전지지향량궤(GA_SVM)산법,이용유전산법적수궤수색특성구취SVM적최우결구삼수,재20세대즉가구취광보의적최소균방근오차(MSE)0.018,병차재산법적전수세대,계통적MSE즉이개시성배하강.저사결과표명GA_SVM광보의구유경고적효솔화범화능력.
