支持向量机改进方法在光谱定量分析中的应用

摘要

光谱定量分析技术是近年来迅速发展的一项间接测量技术，广泛地应用于科研生产的各个领域。支持向量机(SVM)作为一种新型的非线性建模方法，适合于处理小样本和高维数的建模问题。本文从不同角度对支持向量机基本算法进行了改进，并将改进后的算法应用于光谱定量分析的数据建模和异常检测，具体内容如下： 1.介绍了光谱定量分析的基本原理，并对核函数方法在非线性建模中的应用，以及异常检测与稳健建模的主要方法进行了阐述。 2.将偏最小二乘(PLS)与SVM方法进行结合，提出了偏最小二乘支持向量机(PLS-SVM)方法。实验表明，PLS-SVM既保持了SVM较高的模型预测精度，又大大加快了建模的速度。通过与PLS、最小二乘支持向量机(LS-SVM)以及核偏最小二乘(KPLS)三种建模方法进行对比发现，PLS-SVM在光谱定量分析数据建模中的综合应用效果要优于其它三种方法。 3.对加权最小二乘支持向量机(WLS-SVM)算法进行了改进，使改进后的算法可以实现迭代运算，提高了WLS-SVM算法异常检测的能力。将这一算法用于光谱定量分析，显著改善了定量分析校正模型的稳健性。 4.利用PLS-SVM和WLS-SVM改进方法建立近红外光谱测定汽油辛烷值的校正模型，有效地提高了模型的综合性能，取得良好的检测效果。

目录

文摘

英文文摘

致谢

第一章综述

第二章PLS-SVM算法在光谱定量分析中的应用

第三章WLS-SVM改进算法及其应用

第四章工作总结与展望

参考文献

附录