光谱分析中的支持向量机方法及其性能优化.pdfVIP

第26卷，第12期 光谱学与光谱分析 2oo6年12月 and spectroscopySpectralAnalysis 光谱分析中的支持向量机方法及其性能优化 林继鹏1’2，刘君华1 1．西安交通大学电气工程学院，陕西西安710049 2．长安大学信息工程学院，陕西西安710054 摘要针对红外光谱气体分析中建立数据模型需要标定大量样本的问题，提出一种基于正则理论的支持 向量机的小样本机器学习方法，该方法能在获得模型参数全局最优点的同时保证训练误差为零，因而能较 好地消除光谱间的交叉敏感现象，利用其良好的非线性映射能力对多组分红外光谱仪的试验结果表明，该 方法可使光谱仪的交叉灵敏度下降约81倍。针对支持向量机(SVM)没有足够的理论支持的结构参数选取比 较困难的问题，提出一种基于遗传算法和交叉检验相结合的遗传支持向量机(GA．-S、研订)算法，利用遗传算 法的随机搜索特性求取SvIⅥ的最优结构参数，在20世代即可求取光谱仪的最小均方根误差(MSE)o．018， 并且在算法的前数世代，系统的MSE即已开始成倍下降。这些结果表明GA_s、啊vI光谱仪具有更高的效率 和泛华能力。 主题词支持向量机；遗传算法；泛化能力；结构参数 中图分类号：TPl8文献标识码：A 文章编号：1000—0593(2006)12—2232一04 究，在很大程度上解决了模型选择与过学习问题、非线性问 引 言 题、维数灾问题和局部极小点等问题。但支持向量机有两个 不足之处：(1)没有给出核函数的选用标准；(2)没有给出在 气体检测的光谱分析是科研、生产中的一种重要分析手 给定样本下如何选择其最优结构参数的方法和理论。由于这 段，已在天然气、石油化工、尾气及烟气等诸多领域有着广 两点的不足，给实际工作带来诸多不便。本文根据支持向量 泛的应用。气体光谱分析通常有3种途径：非分散型光谱分 机本身的特性，利用遗传算法和交叉检验相结合的办法，提 析，文献[1—3]中所采用的方法均属这种类型。另外一种是分 出一种遗传一支持向量机策略，有效提高了气体分析的效率。 散型光谱分析，文献[4，5]中所采用的方法均属这种类型。 针对此二类分析方法，常用的建模方式有最小二乘法、K矩 1支持向量机 阵法、P矩阵法以及20世纪70年代发展起来的多元线性回 归、偏最小二乘法等方法[6]。第三种分析方法是傅立叶光谱 为了更好的理解s、州在多气体分析中的建模，可考虑 分析‘7|。 噪声环境下实值函数的估计问题，估计的目标是一个没有任 本文研究的主要内容是红外分散型多组分气体分析仪进 何先验知识的函数 行多组分气体定量分析和降低多组分气体检测中的交叉灵敏 y=g(z)+s (1) 度问题。在获取试验数据的基础上对以上方法的验证结果均 其中e是估计误差，z是一个d维输入向量，j，是对应的输出 不太理想；主要是因为一：这些方法是建立在均匀采样的无 电压。估计是基于有限个(行个)样本刃～(五，M)，i=l， 穷多样本理论基础上的，而实际上所观测的样本是有限的和 2，…，挖来实现。其中z，l是服从独立同分布概率夕(五，M) 离散的、非均匀性的；二是问题的高维特性使得样本只在输 z)。因而对(1)的估计可表示为 一户(z)户(y 入空间形成稀疏分布，致使所建立的模型是病态的。 r