主成分分析_支持向量回归建模方法及应用研究.pdfVIP

第 34 卷 分析化学 ( FENX I HUAXU E) 　研究报告 第 5期 　　　　　　　　　　　　 　　　　　　　　　 　　　 2006年 5月 Ch ine se Journal of A nalytical Chem istry 617～620 主成分分析 支持向量回归建模方法及应用研究 侯振雨1, 2 　蔡文生1, 3 　邵学广 3 1 ( ) 2 ( ) 3 ( ) 中国科技大学化学系 ,合肥 230026 　 河南科技学院化工系 ,新乡 453003 　 南开大学化学系 ,天津 30007 1 ( ) ( ) 摘 　要 　将主成分分析 PCA 用于近红外光谱的特征提取 ,并与支持向量回归 SVR 相结合 ,实现了主成分 ( ) 分析 支持向量回归 PCA SVR 用于近红外光谱定量分析的建模方法 。与单纯的 SVR 方法相比,不仅提高了 运算速度 ,而且提高了模型的预测准确度 。将 PCA SVR 方法用于烟草样品中总糖和总挥发碱含量的测定 ,所 得结果的预测均方根误差分别为 1. 323和 0. 0477; 回收率分别为 9 1. 8% ～112. 6%和 88. 9% ～120. 2 % 。 关键词 　主成分分析 ,支持向量回归 ,近红外光谱 1　引　　言 ( ) 主成分分析 PCA 已成为一种传统的数据分析方法 ,被广泛地应用于分析化学信号处理 。将 PCA ( ) 应用于近红外光谱 N IR 的数据处理 ,不仅可以消除背景和噪音干扰 ,而且可以消除光谱响应的共线 ( ) [ 1, 2 ] 性 。支持向量机 SVM 是基于统计学习理论提出的一种机器学习算法 ,在许多领域中得到了广泛 [ 3, 4 ] ( ) 应用 。支持向量机回归 SVR 是基于 SVM 理论建立的一种回归技术 ,具有泛化能力强和预测准确 度高等优点 ,在分析化学领域已得到了初步应用 [ 5～9 ] 。但是 ,在具体的实际应用中仍然存在一些问题 , 如当原始数据的变量较多时 , SVR 的计算速度较慢 、参数优化困难等等 [ 10 ] 。最近 ,有文献报道将 PCA 、 ICA 等特征提取技术与 SVM 技术相结合应用于时间序列分析和金融数据分析等 [ 11, 12 ] ,既提高了运算速 度 ,又提高了分类或预测准确度 。 本研究将 PCA 与 SVR 相结合 ,建立了 PCA SVR 建模方法并应