加权最小二乘支持向量机稳健化迭代算法及其在光谱分析中的应用

为克服光谱分析中异常训练样本的影响, 提出了一种加权最小二乘支持向量机(WLS-SVM)的稳健化迭代算法. 针对原始WLS-SVM在收敛性和稳健性方面的不足, 提出了一种新的求取回归误差的方法, 从而从根本上解决了WLS-SVM的收敛性问题; 同时对原始算法求权值的步骤进行了修正, 采用回归误差的中值作为计算加权值的比较基准, 大幅度提高了WLS-SVM的稳健性. 将算法应用于光谱定量分析中, 实验结果证明了该方法是收敛的, 并且崩溃点在35%左右, 是一种有效的稳健建模方法.     

基于局部最小二乘支持向量机的光谱定量分析

提出了一种基于局部最小二乘支持向量机(LSSVM)的回归方法,以克服待测参数和光谱数据间的非线性。本方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LSSVM校正模型。由于每个测试样本建模时要选取不同的训练样本,因此提出相对距离的概念用来改进高斯核函数,使LSSVM的参数对于不同的训练样本具有自调整功能。针对一批汽油样本的实验结果表明,本方法的预测精度优于常见的局部线性建模方法和全局建模方法。     

一种简便的近红外光谱标准化方法

针对目前近红外光谱分析中模型传递现有方法的局限性,文章介绍了一种简便的近红外光谱标准化方法,并构造了一种新的光谱标准化误差指标(spectra standard error,SSE)作为评价传递结果的指标。SSE为J₂和J₁的比值,这里,J₂表示同一样本在不同仪器上测得的谱线的距离,J₁表示目标机的不同样本相对中心谱线的平均距离。文章首先对不同光谱仪所测得的吸光度谱图进行多项式卷积平滑处理以去除基线,接着采用标准归一法以实现谱图的标准化,并采用多项式卷积滤波以去除噪声。为使SSE达到最小,在处理过程中可进行波长范围和卷积窗口宽度的优化。经过上述处理后的标准化谱图可用于光谱建模分析。该方法不需要预先获得大量样本,也不需要将同一样本在不同光谱仪上测得的谱图进行比较。针对一批汽油样本的试验结果表明,借助于此方法可使SSE从1.418下降至0.167,谱图标准化效果令人满意。