增量NIR半監(jiān)督SVR的集成學習算法研究.pdf

1、在農(nóng)業(yè)、食品、制藥、醫(yī)學、石油化工等多個領(lǐng)域得到廣泛應(yīng)用的近紅外光譜(NearInfrared，NIR)信號代表著物質(zhì)的成分和濃度，并且適用于現(xiàn)場的快速檢測，檢測結(jié)果可以用于實時在線分析和檢測物質(zhì)的理化指標，物質(zhì)的光譜信號數(shù)據(jù)與其理化指標之間存在某種函數(shù)關(guān)系。目前應(yīng)用NIR數(shù)據(jù)的模型主要有主成分回歸、偏最小二乘回歸等。本文針對實時在線分析檢測物質(zhì)的近紅外光譜具有高維度、有標簽的數(shù)據(jù)少、無標簽的數(shù)據(jù)多等特點，在已有增量支持向量回歸算法的基

2、礎(chǔ)上，提出了一個增量半監(jiān)督支持向量回歸的集成算法（IS3VRE）。
　　傳統(tǒng)的監(jiān)督學習應(yīng)用于近紅外光譜數(shù)據(jù)，往往只是分析其中有標簽的光譜數(shù)據(jù)，無法對無標簽的數(shù)據(jù)進行分析，造成光譜數(shù)據(jù)的浪費，泛化能力低。而對NIR光譜數(shù)據(jù)中的無標簽數(shù)據(jù)進行標記時費時費力，所以研究用半監(jiān)督的方法來分析近紅外光譜數(shù)據(jù)非常有現(xiàn)實價值。支持向量回歸機建模將低維非線性的輸入映射到高維空間，實現(xiàn)線性輸出，模型簡單，具有良好的應(yīng)用前景。所以針對近紅外光譜數(shù)據(jù)中無

3、標簽的數(shù)據(jù)少，有標簽的數(shù)據(jù)多的特點，本文采用增量半監(jiān)督支持向量回歸機的集成算法進行研究。
　　本文以支持向量回歸機作為學習器，研究了增量半監(jiān)督支持向量回歸的集成算法。首先，建立增量半監(jiān)督支持向量回歸模型，利用最近鄰算法選擇置信度高的數(shù)據(jù)進行協(xié)同標記，并根據(jù)標記的數(shù)據(jù)是否可能成為潛在支持向量來選擇是否更新支持向量回歸模型的方法。其次，建立增量半監(jiān)督支持向量回歸的集成模型，建立n個支持向量回歸模型，用十倍交叉驗證誤差來對每個模型進行權(quán)