光学学报
光學學報
광학학보
ACTA OPTICA SINICA
2008年
11期
2153-2158
,共6页
陈孝敬%吴迪%虞佳佳%何勇%刘守
陳孝敬%吳迪%虞佳佳%何勇%劉守
진효경%오적%우가가%하용%류수
可见-近红外光谱分析%识别模型%模拟退火算法%最小二乘法支持向量机
可見-近紅外光譜分析%識彆模型%模擬退火算法%最小二乘法支持嚮量機
가견-근홍외광보분석%식별모형%모의퇴화산법%최소이승법지지향량궤
提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见一近红外光谱特征波长的新方法(SA-LS-SVM).该方法用LS-SVM作为识别器,用识别率作为SA的目标函数,提取合适的特征波长数以及对应的特征波长.3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA_LS-SVM,主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理,提取特征波长或主成分,然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测.结果发现,SA-LS-SVM只需从751个数据光谱中提取4个特征波长,就可以使三种品牌润滑油的识别率达到了100%,而其他所有的方法发现预测率都达不到100%,由此验证了SA_LS-SVM的优越性.实验结果表明,SA-LS-SVM不仅能有效地减少建模的变量数,而且可以提高预测精度.
提齣瞭一種基于模擬退火(SA)算法和最小二乘法支持嚮量機(LS-SVM)選擇可見一近紅外光譜特徵波長的新方法(SA-LS-SVM).該方法用LS-SVM作為識彆器,用識彆率作為SA的目標函數,提取閤適的特徵波長數以及對應的特徵波長.3種不同品牌的潤滑油可見-近紅外光譜的特徵波長分彆用SA_LS-SVM,主成分迴歸分析(PCA)和偏最小二乘法(PLS)進行處理,提取特徵波長或主成分,然後結閤反嚮傳播人工神經網絡(BP-ANN)對各種處理方法進行識彆預測.結果髮現,SA-LS-SVM隻需從751箇數據光譜中提取4箇特徵波長,就可以使三種品牌潤滑油的識彆率達到瞭100%,而其他所有的方法髮現預測率都達不到100%,由此驗證瞭SA_LS-SVM的優越性.實驗結果錶明,SA-LS-SVM不僅能有效地減少建模的變量數,而且可以提高預測精度.
제출료일충기우모의퇴화(SA)산법화최소이승법지지향량궤(LS-SVM)선택가견일근홍외광보특정파장적신방법(SA-LS-SVM).해방법용LS-SVM작위식별기,용식별솔작위SA적목표함수,제취합괄적특정파장수이급대응적특정파장.3충불동품패적윤활유가견-근홍외광보적특정파장분별용SA_LS-SVM,주성분회귀분석(PCA)화편최소이승법(PLS)진행처리,제취특정파장혹주성분,연후결합반향전파인공신경망락(BP-ANN)대각충처리방법진행식별예측.결과발현,SA-LS-SVM지수종751개수거광보중제취4개특정파장,취가이사삼충품패윤활유적식별솔체도료100%,이기타소유적방법발현예측솔도체불도100%,유차험증료SA_LS-SVM적우월성.실험결과표명,SA-LS-SVM불부능유효지감소건모적변량수,이차가이제고예측정도.