基于支持向量机的红外光谱子结构解析

摘要

随着商品化红外光谱仪的计算机化，出现了许多计算机辅助红外光谱识别方法，这些方法大致可以分为三类：专家系统；谱图检索系统；模式识别方法。其中最常用的模式识别方法是人工神经网络和偏最小二乘法。它们对存在的结构碎片的预测准确度不是很高，且神经网络尚存在不稳定、容易陷入局部最优和收敛速度慢等问题。　　本文将支持向量机用于红外光谱子结构解析。随机选取了OMNIC数据库中的823张谱图，将分为两部分，取偶数部分的谱图作为训练集，含有411张；取奇数部分的谱图作为预测集，含有412张。对红外光谱中16个常见的子结构进行解析。在训练的过程中调整参数(C，σ)，使得支持向量机能够以很高的精度对“存在”的子结构进行得预测，当“存在”预测精度很高，而“不存在”的预测精度低的时候，就要稍微降低一下“存在”的预测精度，使得“不存在”的也有较好的预测精度。所训练的支持向量机对16个子结构“存在”的预测正确率(Pc)和“不存在”的预测正确率(Ac)的平均值分别为93.3％和99.0％，“存在”的预测可信度(Qpr)和“不存在”的预测可信度(Qar)的平均值分别为96.0％和98.8％，平均统计特性(EQr)为93.4％。相应的使用神经网络对这些数据进行训练并预测，所训练的神经网络对16个子结构“存在”的预测正确率(Pc)和“不存在”的预测正确率(Ac)的平均值分别为91.5％和98.5％，“存在”的预测可信度(Qor)和“不存在”预测可信度(Qar)的平均值分别为92.0％和98.7％，平均统计特性(EQr)为90.2％，支持向量机对子结构预测的平均值都高于相应的神经网络的平均值。除此之外，对大部分子结构来说，支持向量机的预测能力要优于神经网络的预测能力。与神经网络相比，支持向量机还具有稳定和训练速度快等优点，是一种很好的辅助解析红外光谱解析的工具。

目录

文摘

英文文摘

1前言

1.1红外光谱简介

1.2红外光谱的应用

1.2.1定性分析

1.2.2定量分析

1.3计算机辅助红外光谱解析

2支持向量机

2.1线性支持向量机

2.2.1线性可分

2.2.2线性不可分

2.2非线性支持向量机

2.3支持向量机回归

3神经网络

3.1误差反向传播神经网络

3.1.1BP算法的基本原理

3.1.2 BP学习算法的优化

3.2径向基函数网络

4支持向量机用于解析红外光谱子结构

4.1数据处理以及软硬件设备

4.1.1数据处理

4.1.2软硬件设备

4.2支持向量机在红外光谱解析方面的应用

4.2.1支持向量机的训练

4.2.2支持向量机识别输出数据的统计指标

4.2.3输入节点数对预测结果的影响

4.2.4支持向量机对子结构的预测结果

4.2.5神经网络对子结构的预测结果

4.3讨论

4.3.1支持向量机和神经网络预测结果的比较

4.3.2预测能力与特征波段之间的关系

4.3.3训练结果与样本数目的关系

4.3.4支持向量机的优势

4.4结论

4.5展望

5支持向量机回归用于炭黑工艺建模

5.1炭黑及炭黑生产工艺简介

5.1.1炭黑

5.1.2炭黑生产工艺

5.2炭黑工艺建模的实际意义及必要性

5.3数据处理以及软硬件设备

5.3.1数据来源及预处理

5.3.2软硬件设备

5.4支持向量机方法在炭黑工艺建模中的应用

5.4.1支持向量机用于炭黑工艺建模

5.4.2神经网络用于炭黑工艺建模

5.4.3支持向量机和神经网络预测结果的比较

5.5结论

6参考文献

硕士期间发表论文情况

致谢

声明