近红外光谱定量分析的改进ELM算法.pdfVIP

第36卷 ，第9期 光 谱 学 与 光 谱 分 析 Vo1．36，No．9，pp2784—2788 2016年 9月 SpectroscopyandSpectralAnalysis September，2016 近红外光谱定量分析的改进 ELM算法 张红光，卢建刚 浙江大学工业控制技术国家重点实验室，浙江 杭州 310027 摘 要 极限学习机理论(extremelearningmachine，ELM)作为一种新的化学计量学方法，在近红外光谱定 量分析中的应用研究，已引起学术界的高度重视。然而，由于光谱数据维数较高，建立 ELM模型时需要大 量的隐节点，导致隐含层输出矩阵维数高且存在高度共线性，用现有的Moore-Penrose广义逆算法求取隐含 层输出矩阵与待测性质问的回归模型往往会存在病态问题。基于ELM建立光谱波长变量与性质之间的回归 模型，提出以ELM模型隐含层输出矩阵作为新的变量，采用作者最新提出的基于变量投影重要性的改进叠 加 PLS算法 (stackedpartialleastsquaresregressionalgorithmbasedonvariableimportanceintheprojection， VIP-SPLS)，建立新变量与待测性质间的回归模型。VIP-SPLS算法充分利用了每个隐节点的输出信息，能 有效解决高维共线性 问题，同时具有模型集成的优点，从而改进 了ELM模型的性能。将提出的改进 ELM 算法(improvedELM，iELM)应用于标准近红外光谱数据集 ，结果表明iELM模型的精度相对于现有的PLS 模型和ELM模型分别显著提升了29．06 和27．47 。 关键词 近红外光谱；光谱定量分析；回归模型；极限学习机(ELM)；偏最小二乘 (PLS)；变量投影重要性 (VIP) 中图分类号：0657．3 文献标识码：A DOI：10．3964~．issn．1000—0593(2016)09—2784—05 性建模方法 ，如ANN、SVM、相关向量机 (RⅥvI)[11]以及高 引 言 斯过程回归(GPR)[1。已经被成功应用于近红外光谱分析之 中。目前，探索和发现适用于近红外光谱分析的新的建模方 过去的数十年内近红外光谱分析技术已经广泛应用于食 法仍是研究热点。极限学习机 (ELM)_1。]是近些年兴起的 品、制药、石化等领域_】]，原因是其具有快速、无损 、无需 一 种机器学习方法，其主要优点包括容易使用、计算量小、 或只需极少样本预处理等突出优点。然而近红外光谱分析技 具有优异的泛化性能等。ELM 只需随机配置隐层节点的参 术只能作为一种间接分析技术 ，这是由于近红外光谱往往存 数(输入权重和偏置)，然后利用 Moore-Penrose广义逆求取 在背景漂移、噪声干扰严重、谱带高度重叠以及信号弱等问 隐含层输出与待测性质问的权值。ELM 已经成功应用于很 题_6]，无法直接从光谱获取有用信息，需要依赖多元统计技 多场合，也已经被作为一种新的化学计量方法成功应用于近 术建立定量分析模型才能实现对待测性质的测量。因而多元 红外光谱分析之中E15-173。 统计分析技术一直是近红外光谱分析领域的重要研究 内容， 在ELM模型中，输入变量经过激发函数映射成隐含层 也得到了诸多学者的关注7¨]。目前，已经有很多方法应用于 输出矩阵，下一步实质是利用最小二乘方法建立隐含层输出 近红外光谱定量分析，包括多元线性回归(MLR)、主成分回 与待测性质问的线性回归模型。但近红外光谱数据往往有成 归(PcR)、偏最小二乘回归(PLS