基于改进极限学习机的光谱定量建模方法

《基于改进极限学习机的光谱定量建模方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2017年6月第43卷第6期北京航空航天大学学报JournalofBeijingUniversityofAeronauticsandAstronauticsJune2017V01．43No．6http：?fbhxb．buaa．edu．cnjbuaa@buaa．edu．cnDOI：10．13700／j．bh．1001-5965．2016．0459基于改进极限学习机的光谱定量建模方法周美灵，郑德智4，娄格，刘峥(北京航空航天大学仪器科学与光电工程学院，北京100083)摘要：依据近红外光谱(NIR)产生原理，提出了粒子群优化极限学习机(PSO．

2、ELM)算法，运用于小样本氨水浓度定量分析。通过优化极限学习机(ELM)隐藏节点参数，解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题，提高了预测模型的稳定性、精确度和泛化性能。经实验验证，优化后的PSO．ELM相比ELM，模型预测集均方根误差由0．01166减小至0．00322，预测集相关系数由0．9951提高至0．9979。将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比，优化后的PSO．ELM算法具有较高的精确度和良好的泛化性能，模型预测效果优于传统的定量回归分析算法

3、。关键词：近红外光谱(NIR)；定量分析；小样本；极限学习机(ELM)；粒子群优化(PSO)算法中图分类号：0433．4；TB96文献标识码：A文章编号：1001．5965(2017)06．1208-0820世纪80年代，近红外光谱技术迅速发展起来。由于该技术测试速度快、测试过程中样品无损耗、能够适应多种成分分析，而且具有结果重演性高、环保无污染等优点，逐渐引起了国内外学者的广泛关注，成为现代检测技术中的重要工具¨。。在近红外光谱技术的发展中，化学计量学的发展与应用起到十分重要的作用。目前，常用的近红外光谱定量回归分析方法有偏最小二乘法(P

4、LS)、支持向量机(SVM)以及BP神经网络(BP—ANN)等。PLS是一种多元数据分析方法，建立在主成分分析和回归基础上，主要适合于数据量少、各变量内部高度线性相关的模型，不适应动态多变量建模。2o。SVM是基于风险最小化的统计学习理论，可解决标准的优化问题，对小样本、非线性及高维数据具有很强的泛化能力，一经提出，便得到了广泛应用¨⋯。但SVM不适用于大规模数据样本，会耗费机器大量内存资源。BP—ANN是一种按误差逆传播算法训练的多层前馈网络，其以良好的泛化能力、容错能力以及自学习、自适应能力获得了国内外学者广泛关注。但随着应用范围的扩大

5、，BP-ANN也暴露出不少缺点，如需要人为设置大量网络参数，网络结构模型不单一，容易陷入局部优化，而且参数需迭代调整，训练效率不高，容易出现过拟合现象”。。2004年，南洋理工大学黄广斌等¨1提出一种人工神经网络模型训练新算法——极限学习机(ExtremeLearningMachine，ELM)，该算法输入层与隐含层之间的连接权值和阈值均随机产生，而且在模型训练过程中无需对参数进行调整，只需对隐含层神经元个数进行设置，便可避免陷入局部的最小值，从而获得唯一最优解。与传统方法相比具有简单易用、学习速度快及泛化性好的特点。此后，不少学者开始运用

6、并不断改进ELM算法。Masri等¨o运用ELM对土壤的近红外光谱进收稿日期：2016-05．31；录用日期：2016-07-01；网络出版时间：2016-08-2508：33网络出版地址：WWW．cnki．net／kems／detail／11．2625．V．20160825．0833．001．html基金项目：国家科技支撑计划(2014BAF08801)★通讯作者：E—mail：zhengdezhi@buaa．edu．cn引用格式：周美灵，郑德智，娄格，等．基于改进极暇学习机的光谱定量建模方法ⅣJ．北京航空航天大学学报，2017，43(6

7、)：1208·1215．ZHOUML，ZHENGDZ，LOUG，eta1．Quantitativespectralmodelingmethodbasedonimprovedextremelearningma-chineⅣJ．JournalofBeijingUniversityofAeronauticsandAstronautics，2017，43(6)：1208—1215(inChinese)．第6期周美灵，等：基于改进极限学习机的光谱定量建模方法1209行建模分析，并用非洲土壤属性预测数据库验证模型，获得了较好的预测性能。Guo等"1采用

8、偏最dx--乘支持向量机(LS—SVM)和ELM建立近红外光谱桃品种的聚类分析模型，预测准确率高达100％。Huang和Chen【91先后提出了核极限学习机(K．ELM)、增强增