[發(fā)明專利]一種結(jié)合Adaboost算法的可見-近紅外光譜PLS-DA建模方法

無效

• 申請?zhí)枺?/td>: 201310232419.5
• 申請日: 2013-06-09
• 公開（公告）號: CN103472013A
• 公開（公告）日: 2013-12-25
• 發(fā)明（設(shè)計(jì)）人: 趙海挺;謝劍;彭紀(jì)奔;黃光造;吳司熠;葉冬梅;陳孝敬
• 申請（專利權(quán)）人: 溫州大學(xué)
• 主分類號: G01N21/31
• 分類號: G01N21/31
• 代理公司: 杭州杭誠專利事務(wù)所有限公司 33109
• 代理人: 王江成

技術(shù)領(lǐng)域

本發(fā)明屬于可見-近紅外光譜識別領(lǐng)域，具體是一種能提升可見-近紅外光譜偏最小二乘判別分析(Partial?least?squares?dis-criminationanalysis，PLS-DA)建模效果的數(shù)據(jù)處理方法。

技術(shù)背景

在小樣本多變量的可見-近紅外光譜數(shù)據(jù)中，PLS-DA模型可以很好的解決其它建模方法所遇到的變量共線性問題和維數(shù)災(zāi)難，因此在紅外光譜識別中得到了廣泛的用。但是PLS-DA模型作為一種線性模型，不能有效的反映近紅外光譜與分析樣本類別之間的非線性關(guān)系，因此對非線性較強(qiáng)的數(shù)據(jù)，PLS-DA模型的準(zhǔn)確性會下降。

自適應(yīng)增強(qiáng)算法(Adaboost)是一種適合于在各種分類場景下應(yīng)用的算法。Adaboost算法的核心思想是針對同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。Adaboost有很多優(yōu)點(diǎn)，如Adaboost算法提供的是框架，可以使用各種方法構(gòu)建子分類器；構(gòu)造方法簡單；不會出現(xiàn)過擬合等。

發(fā)明內(nèi)容

PLS-DA模型由于不能有效的反映可見-近紅外光譜數(shù)據(jù)和樣本類別標(biāo)簽之間的非線性關(guān)系而導(dǎo)致模型的準(zhǔn)確性受制于可見-近紅外光譜數(shù)據(jù)非線性的程度。

本發(fā)明針對這一問題提出了一種結(jié)合Adaboost算法的可見-近紅外光譜PLS-DA建模方法，將PLS-DA模型推廣到非線性較強(qiáng)的可見-近紅外光譜數(shù)據(jù)的識別應(yīng)用中。

本發(fā)明是采用如下技術(shù)方案實(shí)現(xiàn)的：一種結(jié)合Adaboost算法的可見-近紅外光譜PLS-DA建模方法，包括如下步驟：

步驟1，給定訓(xùn)練樣本，S＝{(x₁，y₁)，…，(x_m，y_m)}，其中，x_i∈X，標(biāo)簽y_i∈Y＝{1，2，3，…，N}，m表示訓(xùn)練樣本數(shù)，N表示訓(xùn)練樣本的類別數(shù)；

步驟2，初始化每一個(gè)樣本的權(quán)重系數(shù)ω_i＝1/m，i＝1，…，m；

步驟3，在每一次循環(huán)t＝1，…，T做以下步驟；

步驟3.1，使用偏最小二乘法對有權(quán)重分布的訓(xùn)練樣本進(jìn)行建模，得到一個(gè)PLS-DA模型h_t；

步驟3.2，計(jì)算h_t的訓(xùn)練誤差算法中符號“[]”的定義如下：對于邏輯表達(dá)式e，如過e為真，則[e]＝1，否則[e]＝0；

步驟3.3，若ε_t＞1/2則設(shè)定T＝t-1然后跳至步驟4；

步驟3.4，令β_t＝ε_t/(1-ε_t)，α_t＝1n(1/β_t)；

步驟3.5，更新樣本權(quán)重系數(shù)

ωit+1=ωitZt×βt1-[ht(xi)≠yi]]]>

其中，Z_t為歸一化系數(shù)，可使得