多因变量SVM回归算法研究及其在光谱分析中的应用

摘要

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法，基于结构风险最小化原则，可以有效地克服“维数灾难”和“过学习”等问题，被广泛应用于模式识别、回归分析、密度函数估计等领域。本文主要从理论和应用两个方面对支持向量回归机进行了研究，丰富了现有支持向量机模型。 本文首先介绍了统计学习理论的主要概念和定理、支持向量回归机涉及到的最优化理论、以及多目标规划理论和求解方法。在最小二乘支持向量回归机(LS-SVM)算法的基础上建立了权重可优化的多因变量LS-SVM回归模型。 现代近红外光谱分析技术已经成为目前发展速度最快、最引人注目的光谱分析技术之一，它与计算机技术和化学计量学相结合为近红外光谱定量分析奠定了理论基础。本文利用烤烟和大豆的近红外光谱数据验证了多因变量LS-SVM建模算法的可行性。多因变量LS-SVM实际建模分析烤烟的四种组分——总糖、还原糖、总氮和烟碱的预测值与真实值间的相关系数分别为：0.9598、0.9412、0.9660、0.9489；大豆两种组分——粗蛋白和粗脂肪的预测值与真实值间的相关系数分别为0.8509、0.9711。本文还提出了“复合支持向量机”建模算法，利用水稻品质遥感监测试验所获得的高光谱数据，基于模拟研究的思想，五次数据模拟试验所得组分叶片含氮量的预测值和真实值间的相关系数为0.89，平均绝对误差为0.088，验证了算法的有效性。 研究结果表明，改进的支持向量机算法为光谱分析提供了新的数据建模方法，在光谱分析实验研究中将会有良好的应用前景。

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第一章绪论

第二章支持向量机的理论基础及回归模型

第三章多目标数学规划理论及多因变量SVM回归算法

第四章支持向量机算法在光谱分析中的应用

第五章总结与展望

参考文献

附录

致谢

个人简介