复合支持向量机方法及在光谱分析中应用.pdfVIP

162l 第27卷，第8期 光谱学与光谱分析 V01．27，No．8，ppl619 2OO and 7年8月 SpectroscopySpectralAnalysis August，2007 复合支持向量机方法及其在光谱分析中的应用 安欣1，苏时光1，王韬1，徐硕1，黄文江2，张录达“ L中国农业大学理学院．北京100094 2．国家农qp信息化』程技术研究中心，北京100089 摘要svc和svR是支持向量机研究的两个主要问题。文章把两种建模方法相结合，先由sVc模型判 别分类，后由各类的局部svR模型进行定量分析，提出了复合支持向量机(csVM)方法。根据71个试验小 区的水稻冠层高光谱与叶片含氮量建立定量分析模型，考证了csVM算法。基于模拟研究的思想，随机划 分建模集和预测集，比例为55：16。经过5次划分试验，复合支持向量机方法建模对叶片台氨量的预测值与 凯氏定氮实际值之间的平均相关系数为o．89，平均绝对误差为o．088；而传统的支持向量机方法得到的平均 相关系数为o．87，平均绝对误差为o．091。由此可见，复合支持向量机方法相对丁传统的支持向量机方法预 测精度有所提高。文章研究方法的提出为化学计量学定量分析研究给出了新的思路。 关键词复合支持向量机；高光谱；回归模型 叶片含氮量 L61903 中图分类号：0657．3文献标识码：A 文章编号：1000—0593(2007)08 实验所用水稻高光谱数据及叶片含氮量(LN)的组分数 引言 据由浙}l大学农场提供。水稻有两个品种：“秀水儿O”和“协 高光潜遥感技术”一不仅可以用来提高对农作物和植被 500 类型的识别能力，而且可以用米监测农作物K势和反演农作 由凯氏定氮法测定。高光谱采集的谱区范围在350～2 物的理化特性。作物叶片肯氮量是作物生理状态的一个重要 指标，农学上可通过叶片肯氮量的测定来掌握作物的氨素营 个，“协优9308”35个。预测集选取方式：从两种水稻中各随 养状况。 机选取8个构成样品集A。和B。，这16个样品构成预测集 wz；其余的55个样品按品种不同构成样品集A．和B，，合 支持向量机是V童pnlk在1995年从统计学习理论rn】的角 度出发提出的一种数据挖掘的新方法，它在实现结构风险最 并记为建模集w。。基于模拟研究的思想，本文共随机5次 小化的基础上成为解决模式分类“和回归分析”等问题的有 划分不同的建模集和预测集，进行算法可行性考证。 效工具。处理以上两个问题的支持向量机(sVM)分别称为支1．2复合支持向量机(Q^M)方法 在光谱分析实验中发现，当训练集样本的组分浓度范围 持向量分类机(sVc)和支持向量心归机(sVR)。近几年，许 多学者把支持向量机引入到光谱分析中口删，经过广泛的实 大到一定程度时，模型的分析准确度也会随之降低；如果模 验验证，用sVM分析光谱数据能得到较好的效果。本文在 型的数据范围相对较小，则分析准确度就会相应提高Ll“。根 svM的基础上提出了一种新的建模方法 复合支持向量 据这个原理，本文把支持向量分类机和支持向量回归机结合