光谱学与光谱分析
|
基于支持向量机的模型传递方法研究
熊宇虹1,2 ,温志渝1 ,梁玉前1 ,陈勤1 ,张波1 ,刘妤1 ,向贤毅1
1. 重庆大学光电工程学院,重庆 400044 2. 南昌大学计算机科学与技术系,江西 南昌 330031
Model Transfer Method Based on Support Vector Machine
XIONG Yu-hong1,2 ,WEN Zhi-yu1 ,LIANG Yu-qian1 ,CHEN Qin1 ,ZHANG Bo1 ,LIU Yu1 ,XIANG Xian-yi1
1. College of Optoelectronic Engineering, Chongqing University, Chongqing 400044, China 2. Department of Computer Science and Technology, Nanchang University, Nanchang 330031, China
摘要 : 模型传递是以数学方法通过在2台不同仪器之间寻求一种变换关系来增强光谱仪数据通用性、可比性的一种基本途径。由于实际测量数据具有非线性特征,加上校正样本集合的有限性,使得解决小样本条件下非线性关系的模型传递问题显得尤为重要。文章在概述支持向量机基本原理的基础上,探讨了支持向量机方法在光谱仪的模型传递问题中的应用,提出了基于支持向量机的分段直接校正方法,最后采用计算机模拟的方式对该方法进行了举例说明,并和人工神经网络方法进行了相应的比较。
关键词 :光谱分析;模型传递;支持向量机
Abstract :The model transfer is a basic method to build up universal and comparable performance of spectrometer data by seeking a mathematical transformation relation among different spectrometers. Because of nonlinear effect and small calibration sample set in fact, it is important to solve the problem of model transfer under the condition of nonlinear effect in evidence and small sample set. This paper summarizes support vector machines theory, puts forward the method of model transfer based on support vector machine and piecewise direct standardization, and makes use of computer simulation method, giving a example to explain the method and compare it with artificial neural network in the end.
Key words :Spectral analysis;Model transfer;Support vector machine
收稿日期: 2005-09-08
修订日期: 2006-01-11
通讯作者:
熊宇虹
E-mail: xyh341@sohu.com
引用本文:
熊宇虹1,2 ,温志渝1 ,梁玉前1 ,陈勤1 ,张波1 ,刘妤1 ,向贤毅1 . 基于支持向量机的模型传递方法研究[J]. 光谱学与光谱分析, 2007, 27(01): 147-150.
XIONG Yu-hong1,2 ,WEN Zhi-yu1 ,LIANG Yu-qian1 ,CHEN Qin1 ,ZHANG Bo1 ,LIU Yu1 ,XIANG Xian-yi1 . Model Transfer Method Based on Support Vector Machine. SPECTROSCOPY AND SPECTRAL ANALYSIS, 2007, 27(01): 147-150.
链接本文:
https://www.gpxygpfx.com/CN/Y2007/V27/I01/147
[1] CHU Xiao-li, YUAN Hong-fu, LU Wan-zhen(褚小立,袁洪福,陆婉珍). Spectroscopy and Spectral Analysis(光谱学与光谱分析),2001,21(6):881. [2] ZHANG Xue-gong(张学工). Acta Automatica Sinica(自动化学报), 2000,(1): 32. [3] XIONG Yu-hong(熊宇虹). Acta Photonica Sinica(光子学报), 2005, 34(10): 1514. [4] Vapnik Vladimir N,ZHANG Xue-gong(瓦普尼克, 张学工). The Nature of Statistical Learning Theory(统计学习理论的本质). Beijing: Tsinghua University Press(北京: 清华大学出版社),2000. 21.
[1]
范萍萍,李雪莹,邱慧敏,侯广利,刘 岩. 黄渤海沉积物有机碳光谱分析在不同仪器间的差异 [J]. 光谱学与光谱分析, 2024, 44(01): 52-55.
[2]
杨超普,方文卿,吴庆丰,李 春,李晓龙. 基于光谱分析的AMOLED蓝光危害与节律效应随年龄变化研究 [J]. 光谱学与光谱分析, 2024, 44(01): 36-43.
[3]
鲍 浩,张 艳. 基于改进哈里斯鹰优化算法的光谱特征波段选择模型研究 [J]. 光谱学与光谱分析, 2024, 44(01): 148-157.
[4]
程惠珠,杨婉琪,李福生,马 骞,赵彦春. 面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3742-3746.
[5]
沈思聪,张靖雪,陈鸣晖,李志威,孙盛楠,严学兵. 基于无人机多光谱估测不同品种紫花苜蓿的地上生物量和叶绿素含量 [J]. 光谱学与光谱分析, 2023, 43(12): 3847-3852.
[6]
李奇辰,李民赞,杨 玮,孙 红,张 瑶. 基于拉曼光谱的水溶性磷定量分析 [J]. 光谱学与光谱分析, 2023, 43(12): 3871-3876.
[7]
白雪冰,宋昌泽,张倩玮,代斌秀,靳国杰,刘文政,陶永胜. “赤霞珠”葡萄叶片缺磷胁迫的VIS/NIR光谱快速无损诊断方法 [J]. 光谱学与光谱分析, 2023, 43(12): 3719-3725.
[8]
梁金星,辛 磊,程靖尧,周 景,罗 航. 对抗曝光变化的自适应加权光谱重建方法研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3330-3338.
[9]
黄招娣,陈再良,王 琛,田 彭,章海亮,谢潮勇,刘雪梅. 比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析 [J]. 光谱学与光谱分析, 2023, 43(11): 3535-3540.
[10]
李雯雯,龙长江,李善军,陈 红. 基于表面增强拉曼光谱技术的柑橘表皮咪鲜胺和抑霉唑农药残留检测 [J]. 光谱学与光谱分析, 2023, 43(10): 3052-3058.
[11]
刘 飞,谈家金,谢谷艾,苏 峻,叶建仁. 基于高光谱数据与针叶电阻率的松材线虫病早期诊断研究 [J]. 光谱学与光谱分析, 2023, 43(10): 3280-3285.
[12]
马 骞,杨婉琪,李福生,程惠珠,赵彦春. 基于迁移学习与TrAdaBoost-SVM方法的XRF中药重金属超标研究 [J]. 光谱学与光谱分析, 2023, 43(09): 2729-2733.
[13]
黄 超,赵宇红,张洪明,吕 波,尹相辉,沈永才,符 佳,李建康. 基于STM32单片机的在线恒温光谱分析系统研制与测试 [J]. 光谱学与光谱分析, 2023, 43(09): 2734-2739.
[14]
蔡健荣,黄楚钧,马立鑫,翟利祥,郭志明. 一维卷积神经网络的手持式可见/近红外柑橘可溶性固形物含量无损检测系统 [J]. 光谱学与光谱分析, 2023, 43(09): 2792-2798.
[15]
吕石磊,王宏炜,李 震,周 旭,赵 静. 基于BWO-SVM算法的广陈皮陈化年份高光谱鉴别模型 [J]. 光谱学与光谱分析, 2023, 43(09): 2894-2901.