基于Boosting算法的危害气体红外光谱识别方法研究

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2国内外研究现状

1．3 Boosting算法研究现状

1．4本文主要研究内容

第2章集成学习技术

2．1集成学习基本概念

2．2 Boosting算法简介

2．2．1 Boosting算法基础理论

2．2．2 Adaboost算法

2．2．3 GBDT和XGBoost

2．3模型训练方法与评估指标

2．3．1网格搜索与随机搜索

2．3．2交叉验证

2．3．4数据不平衡问题处理

2．3．5模型性能评估

2．4本章小结

第3章红外光谱数据预处理与特征提取

3．1危害气体红外光谱数据

3．2红外光谱数据预处理

3．2．1基线校正

3．2．2平滑去噪

3．2．3光谱数据标准化

3．3光谱数据特征提取

3．4本章小结

第4章基于Adaboost算法的光谱识别方法研究

4．1 AdaBoost算法原理

4．2 Adaboost多分类算法设计

4．2．1二分类转多分类方法概述

4．2．2 Adaboost．M2算法

4．3基于Adaboost-BP算法的光谱识别模型

4．3．1 BP神经网络模型设计

4．3．2 Adaboost-BP强分类器建立

4．3．3实验结果与分析

4．4基于Adaboost-CART算法的光谱识别模型

4．4．1 CART分类树

4．4．2 Adaboost-CART强分类器建立

4．4．3实验结果与分析

4．5本章小结

第5章基于XGBoost算法的光谱识别方法研究

5．1 XGBoost集成学习算法

5．1．1 CART回归树

5．1．2 XGBoost理论推导

5．1．3 XGBoost模型参数

5．2基于XGBoost算法的光谱识别模型

5．2．1 XGBoost光谱识别模型建立

5．2．2实验结果与分析

5．3本章小结

第6章总结与展望

6．1论文总结

6．2下一步工作展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果