CN107290305A - 一种基于集成学习的近红外光谱定量建模方法 - Google Patents
一种基于集成学习的近红外光谱定量建模方法 Download PDFInfo
- Publication number
- CN107290305A CN107290305A CN201710589783.5A CN201710589783A CN107290305A CN 107290305 A CN107290305 A CN 107290305A CN 201710589783 A CN201710589783 A CN 201710589783A CN 107290305 A CN107290305 A CN 107290305A
- Authority
- CN
- China
- Prior art keywords
- submodel
- sample
- modeling method
- near infrared
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000012880 independent component analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012628 principal component regression Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于集成学习的近红外光谱定量建模方法，包括：确定初始数据集，包含用于建模的校正集和验证的预测集，并对数据进行预处理；将校正集样本按照聚类的策略分成p类，从每类中随机抽取一个样本构成子模型的验证集，余下的部分构成该子模型的校正集；采用选取的定量建模方法对子模型的校正集进行训练，通过模型输出对初始数据集中预测集的预测误差信息进行统计，并获得以预测误差的方差为参数的权函数；重复上述步骤，构建出多个子模型，并对各个子模型按照预测误差的方差加权得到稳健性强的定量校正模型；利用稳健性强的整体定量校正模型结合预测集样本完成定量建模。本发明具有以下优点：使整个模型的输出结果更加接近真实值。
Description
技术领域
本发明涉及一种光谱分析技术，尤其涉及的是一种近红外光谱定量分析技术。
背景技术
光谱分析技术特别是近红外光谱技术，具有快速、简单、非破坏性的特点，在复合体系诸如环境、化工、药品和食品中可以作为定量分析的手段。由于样品背景、噪声和谱带重叠的影响，通常需要借助化学计量学方法来建立光谱和测试对象的关联模型，因此基于化学计量学方法的多元校正技术在光谱分析中占据重要地位。
传统的经典校正方法如偏最小二乘，将测量得到的光谱数据和实验对象的成分含量进行关联，经常会出现预测精度低和模型鲁棒性差的问题，究其原因，主要是因为基于经典校正方法的偏最小二乘建模对校正样中噪声和异常值敏感，且校正样本的数量和不均匀性等因素会使偏最小二乘建模方法对不同的校正样和预测样的分析效果相差很大，降低了模型的适用性。
集成学习作为一种机器学习方法，它试图通过调用一些简单的学习算法，以获得多个不同的基学习机(通常是预测性能比较弱的学习机)，然后采用某种策略将这些基学习机组合成一个集成学习机，由于它能显著提高一个学习系统的泛化能力，因此集成学习的理论和算法研究已经成了机器学习领域中的热点问题。目前集成学习方法结合多元校正产生了两类建模方法：Bagging和Boosting，两者主要的不同在于构建子模型的样品抽取方法和子模型的集成方法。其中Bagging采用有放回抽取的原则构造子模型校正样本集，其中会有部分样品重复出现，最后采用求平均的策略集合多个子模型；Boosting方法采用按概率抽取部分校正集样品构成子模型校正集的原则，随着迭代的进行更新各个样本被抽取的概率，按照训练集误差越大抽取概率越大的策略，实现了对误差较大样本的多次重复抽取，在子模型集成策略上，Boosting方法构造一个可信度指标，按照可信度指标越大权重越大的策略对迭代中产生的所有子模型预测结果进行加权求和。
综上，现有的经典校正方法对校正样中的噪声信息和异常值敏感，样品数量的变化和不均匀性会导致所建立模型的预测精度下降和鲁棒性变差。传统Bagging方法按照有放回抽取的原则构造子模型的校正集样本，会导致子模型的校正集样本的均匀性不足，无法完全覆盖验证集，往往容易出现过拟合的情形。
发明内容
本发明所要解决的技术问题在于提供了一种使整个模型的输出结果更加接近真实值的基于集成学习的近红外光谱定量建模方法。
本发明是通过以下技术方案解决上述技术问题的：一种基于集成学习的近红外光谱定量建模方法，包括以下步骤：
步骤S101，确定初始数据集，包含用于建模的校正集(Xc,Yc)和验证的预测集(Xp,Yp)，并对数据进行预处理；
步骤S102，将初始数据集中的校正集样本按照聚类的策略分成p类，从每类中随机抽取一个样本构成子模型的验证集，余下的部分构成该子模型的校正集；
步骤S103，采用选取的定量建模方法对子模型的校正集进行训练，通过模型输出对初始数据集中预测集的预测误差信息进行统计，并获得以预测误差的方差为参数的权函数；
步骤S104，重复步骤102和步骤103一定次数，构建出多个子模型，并对各个子模型按照预测误差的方差加权得到稳健性强的定量校正模型；
步骤S105，利用稳健性强的整体定量校正模型结合预测集样本完成定量建模。
作为优化的技术方案，在步骤S101中，对光谱数据进行预处理，包括：求导，归一化，平滑，背景扣除。
作为优化的技术方案，在步骤S102中，对光谱数据进行聚类分析，将样本分成p类，同时对参与建模样本的化学含量数据进行聚类。
作为优化的技术方案，在步骤S103中，建模方法选取以下任一种：偏最小二乘、主成分回归，独立分量分析。
作为优化的技术方案，所述步骤S104的具体步骤为：
步骤S201：从整体模型中的校正集(Xc,Yc)选取子模型的校正集样本(Xi,Yi)和验证集样品(Xt,Yt)；
步骤S202：选取定量校正方法构成弱学习机对子模型进行训练；
步骤S203：利用选取的子模型校正集数据(Xi,Yi)和定量建模方法建立该子模型Yi＝Xi*betai+Ei，并得到该子模型的输出参数betai，根据betai对子模型验证集样品(Xt,Yt)进行预测Ypred＝Xt*betai+Ep，得到预测误差Ep＝|Yt-Ypred|；
步骤S204：重复步骤S201,S202和S203x次得到x个子模型对各自验证集样品(Xt,Yt)的预测误差的方差；
步骤S205：利用各个子模型的方差构造权重函数；
步骤S206：利用权重函数修正各子模型的输出参数betai(i＝1...x)；
步骤S207:利用修正后的输出参数构成整体模型。
作为优化的技术方案，在步骤S203中，预测误差E的获取方式为：统计第i个子模型中的预测误差其中Yic为验证集样品中第c个组分的含量数据，i取值1-x，c取值1-k，为第i个子模型对验证集样品中第c个组分的预测结果，记Eic为(ei1,ei2,…,eik)。
作为优化的技术方案，在步骤S204中，统计出各个子模型的预测误差的方差记为
Vi＝Var(ei1,ei2,…,eik)。
作为优化的技术方案，在步骤S204中，也可以按照下式统计出各个子模型相对预测误差的方差：
Vi＝Var(ei1/yi1,ei2/yi2,…,eik/yik)。
作为优化的技术方案，步骤S205中，按照方差越大则该子模型权重越小的原则构造出高斯型权函数重复步骤S201/S202/S203和S204计x次，得到x个子模型对应的高斯型权函数和预测系数betax，分别对x个模型求取预测系数的加权函数，第i个子模型的权函数为
采用集成学习的思想，构造整体模型的预测系数newbeta，其计算方式如下：
newbeta＝diag(W)*betax
其中diag(W)由各个子模型权函数wi构成的对角矩阵。
作为优化的技术方案，在步骤S206中，利用权重函数修正各子模型的输出参数beta为newbeta；
在步骤S207中，通过对x个子模型的加权得到经过集成学习后的模型为：
Y＝X*newbeta+E
在上述模型中输入S101中的验证集样品的光谱数据即获得该整体模型的预测性能。
本发明相比现有技术具有以下优点：本发明将传统经典的多元校正方法构成集成学习中的弱学习机，按照样品聚类的原则构建多个校正模型的样本空间，有效提高子模型的校正集样本的多样性和代表性，通过高斯加权加权方法将这些弱学习机组合成一个集成学习机，降低预测误差较大的子模型对整体结果的影响，可以有效提高定量校正模型的泛化能力，使其对验证集样品的预测结果更加准确。本发明所述的定量校正方法不仅适用于近红外光谱，同样适用于紫外吸收光谱、荧光光谱、质谱、色谱等多变量校正的光谱分析体系。
附图说明
图1是本发明实施例的基于集成学习的近红外光谱定量建模方法的流程图；
图2是本发明实施例中的对各个子模型按照预测误差的方差加权得到稳健性强的定量校正模型的流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明实施的基于集成学习的近红外光谱定量建模方法包括以下步骤：
步骤S101，确定初始数据集，包含用于建模的校正集和验证的预测集，并对数据进行预处理；
步骤S102，将初始数据集中的校正集样本按照聚类的策略分成p类，从每类中随机抽取一个样本构成子模型的验证集，余下的部分构成该子模型的校正集，最大程度上保证了子模型校正集样品的均匀性，避免因样品代表性不足引起的预测误差偏大的情形出现；
步骤S103，采用选取的定量建模方法对子模型的校正集进行训练，通过模型输出对初始数据集中预测集的预测误差信息进行统计，并获得以预测误差的方差为参数的权函数；
步骤S104，重复步骤102和步骤103一定次数，构建出多个子模型，并对各个子模型按照预测误差的方差加权得到稳健性强的定量校正模型；
步骤S105，利用稳健性强的整体定量校正模型结合预测集样本完成定量建模。
进一步具体的：
在步骤S101中，对光谱数据进行预处理，包括：求导，归一化，平滑，背景扣除。
在步骤S102中，对光谱数据进行聚类分析，将样本分成p类，同时也可以对参与建模样本的化学含量数据进行聚类。
在步骤S103中，建模方法可以选取偏最小二乘、主成分回归，独立分量分析等。
如图2所示，本发明的步骤S104的具体步骤为：
步骤S201：选取子模型的校正集和验证集样本；
步骤S202：选取定量校正方法构成弱学习机对子模型进行训练；
步骤S203：利用选取的子模型校正集数据(Xi,Yi)和定量建模方法建立该子模型Yi＝Xi*betai+Ei，并得到该子模型的输出参数betai，根据betai对子模型验证集样品(Xt,Yt)进行预测Ypred＝Xt*betai+Ep，得到预测误差Ep＝|Yt-Ypred|；
步骤S204：统计各个子模型的预测误差的方差；
步骤S205：利用各个子模型的方差构造权重函数；
步骤S206：利用权重函数修正各子模型的输出参数beta；
步骤S207:利用修正后的输出参数构成整体模型。
在步骤S203中，预测误差E的获取方式为：统计第i个子模型中的预测误差其中Yic为验证集样品中第c个组分的含量数据，i取值1-x，c取值1-k，为第i个子模型对验证集样品中第c个组分的预测结果，记Eic为(ei1,ei2,…,eik)。
在步骤S204中，统计出各个子模型的预测误差的方差记为
Vi＝Var(ei1,ei2,…,eik)
在步骤S204中，按照下式统计出各个子模型的预测误差的方差：
Vi＝Var(ei1/yi1,ei2/yi2,…,eik/yik)
步骤S205中，按照方差越大则该子模型权重越小的原则构造出高斯型权函数
在步骤S205中，重复步骤S201/S202/S203和S204计x次，可以得到x个子模型对应的高斯型权函数和预测系数betax，分别对x个模型求取预测系数的加权函数，第i个子模型的权函数为
采用集成学习的思想，构造整体模型的预测系数newbeta，其计算方式如下：
newbeta＝diag(W)*betax
其中diag(W)由各个子模型权函数wi构成的对角矩阵。
在步骤S206中，利用权重函数修正各子模型的输出参数beta为newbeta。
在步骤S207中，通过对x个子模型的加权得到经过集成学习后的模型为：
Y＝X*newbeta+E
在上述模型中输入S101中的验证集样品的光谱数据即可获得该整体模型的预测性能。
调整聚类数目p和子模型数量k的大小，可以获得不同的预测模型，利用各个预测模型的输出结果可以对整体模型的预测性能进行优化。改变p的大小，获得一系列整体模型对验证集样本(Xp,Yp)的预测误差信息，统计得到使误差最小的p值即为最优。不断增加k值，以整体模型对验证集样本(Xp,Yp)的预测误差稳定为子模型数量的选取原则。
本发明首先将校正集样品进行分类，从每一类中选取一个样品作为子模型的验证集，剩余的样品作为该子模型的校正集，最大程度上保证了子模型校正集样品的均匀性，避免因样品代表性不足引起的预测误差偏大的情形出现。在子模型集成策略上，传统Bagging方法采用求平均的策略来实现各子模型预测结果集成，对预测结果和真实值之间的偏移量没有任何改变，本方法采用基于各子模型预测结果的方差，构造高斯型加权函数对各子模型的输出结果进行集成，降低预测误差较大的子模型对最终输出结果权重的同时，提高了预测误差较小的子模型的权重，使整个模型的输出结果更加接近真实值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于集成学习的近红外光谱定量建模方法，其特征在于，包括以下步骤：
步骤S101，确定初始数据集，包含用于建模的校正集(Xc,Yc)和验证的预测集(Xp,Yp)，并对数据进行预处理；
步骤S102，将初始数据集中的校正集样本按照聚类的策略分成p类，从每类中随机抽取一个样本构成子模型的验证集，余下的部分构成该子模型的校正集；
步骤S103，采用选取的定量建模方法对子模型的校正集进行训练，通过模型输出对初始数据集中预测集的预测误差信息进行统计，并获得以预测误差的方差为参数的权函数；
步骤S104，重复步骤102和步骤103一定次数，构建出多个子模型，并对各个子模型按照预测误差的方差加权得到稳健性强的定量校正模型；
步骤S105，利用稳健性强的整体定量校正模型结合预测集样本完成定量建模。
2.根据权利要求1所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，在步骤S101中，对光谱数据进行预处理，包括：求导，归一化，平滑，背景扣除。
3.根据权利要求1所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，在步骤S102中，对光谱数据进行聚类分析，将样本分成p类，同时也可以根据参与建模样本的化学含量数据进行聚类分析。
4.根据权利要求1所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，在步骤S103中，建模方法选取以下任一种：偏最小二乘、主成分回归、独立分量分析。
5.根据权利要求1所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，所述步骤S104的具体步骤为：
步骤S201：从整体模型中的校正集(Xc,Yc)选取子模型的校正集样本(Xi,Yi)和验证集样品(Xt,Yt)；
步骤S202：选取定量校正方法构成弱学习机对子模型进行训练；
步骤S203：利用选取的子模型校正集数据(Xi,Yi)和定量建模方法建立该子模型Yi＝Xi*betai+Ei，并得到该子模型的输出参数betai，根据betai对子模型验证集样品(Xt,Yt)进行预测Ypred＝Xt*betai+Ep，得到预测误差Ep＝|Yt-Ypred|；
步骤S204：重复步骤S201,S202和S203x次得到x个子模型对各自验证集样品(Xt,Yt)的预测误差的方差；
步骤S205：利用各个子模型的方差构造权重函数；
步骤S206：利用权重函数修正各子模型的输出参数betai(i＝1...x)；
步骤S207:利用修正后的输出参数构成整体模型。
6.根据权利要求5所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，在步骤S203中，预测误差E的获取方式为：统计第i个子模型中的预测误差其中Yic为验证集样品中第c个组分的含量数据，i取值1-x，c取值1-k，为第i个子模型对验证集样品中第c个组分的预测结果，记Eic为(ei1,ei2,…,eik)。
7.根据权利要求6所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，在步骤S204中，统计出各个子模型的预测误差的方差记为
Vi＝Var(ei1,ei2,…,eik)。
8.根据权利要求6所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，在步骤S204中，按照下式统计出各个子模型的相对预测误差的方差：
Vi＝Var(ei1/yi1,ei2/yi2,…,eik/yik)。
9.根据权利要求7或8所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，步骤S205中，按照方差越大则该子模型权重越小的原则构造出高斯型权函数重复步骤S201/S202/S203和S204计x次，得到x个子模型对应的高斯型权函数和预测系数betax，分别对x个模型求取预测系数的加权函数，第i个子模型的权函数为
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>V</mi>
<mn>1</mn>
</msub>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>V</mi>
<mn>2</mn>
</msub>
</mrow>
</msup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>V</mi>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
采用集成学习的思想，构造整体模型的预测系数newbeta，其计算方式如下：
newbeta＝diag(W)*betax
其中diag(W)为各个子模型权函数wi构成的对角矩阵。
10.根据权利要求9所述的一种基于集成学习的近红外光谱定量建模方法，其特征在于，在步骤S206中，利用权重函数修正各子模型的输出参数beta为newbeta；
在步骤S207中，通过对x个子模型的加权得到经过集成学习后的模型为：
Y＝X*newbeta+E
在上述模型中输入S101中的验证集样品(Xp,Yp)的数据即获得该整体模型的预测性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710589783.5A CN107290305B (zh) | 2017-07-19 | 2017-07-19 | 一种基于集成学习的近红外光谱定量建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710589783.5A CN107290305B (zh) | 2017-07-19 | 2017-07-19 | 一种基于集成学习的近红外光谱定量建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107290305A true CN107290305A (zh) | 2017-10-24 |
| CN107290305B CN107290305B (zh) | 2019-11-01 |
Family
ID=60102145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710589783.5A Active CN107290305B (zh) | 2017-07-19 | 2017-07-19 | 一种基于集成学习的近红外光谱定量建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107290305B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109658353A (zh) * | 2018-12-17 | 2019-04-19 | 合肥师范学院 | 基于波段筛选的光谱加权集成校正模型的构建方法及系统 |
| CN111415715A (zh) * | 2020-04-17 | 2020-07-14 | 北京北分瑞利分析仪器(集团)有限责任公司 | 一种基于多元光谱数据的智能校正方法、系统及装置 |
| CN113607683A (zh) * | 2021-08-09 | 2021-11-05 | 天津九光科技发展有限责任公司 | 一种近红外光谱定量分析的自动建模方法 |
| US11551155B2 (en) | 2018-11-09 | 2023-01-10 | Industrial Technology Research Institute | Ensemble learning predicting method and system |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102185735A (zh) * | 2011-04-26 | 2011-09-14 | 华北电力大学 | 一种网络安全态势预测方法 |
| CN102254180A (zh) * | 2011-06-28 | 2011-11-23 | 北京交通大学 | 一种基于几何特征的人脸美感分析方法 |
| CN103065191A (zh) * | 2011-10-19 | 2013-04-24 | 西安邮电学院 | 一种快速的神经网络学习方法 |
| CN103440493A (zh) * | 2013-02-27 | 2013-12-11 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 基于相关向量机的高光谱影像模糊分类方法及装置 |
| CN104462797A (zh) * | 2014-11-24 | 2015-03-25 | 天津工业大学 | 一种用于过程参数在线检测的增量集成算法 |
| CN106529008A (zh) * | 2016-11-01 | 2017-03-22 | 天津工业大学 | 一种基于蒙特卡罗及lasso的双集成偏最小二乘建模方法 |
| CN106650926A (zh) * | 2016-09-14 | 2017-05-10 | 天津工业大学 | 一种稳健的boosting极限学习机集成建模方法 |
| CN106934209A (zh) * | 2017-01-19 | 2017-07-07 | 上海电气电站环保工程有限公司 | 一种燃煤电站烟气含氧量在线预测方法 |
-
2017
- 2017-07-19 CN CN201710589783.5A patent/CN107290305B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102185735A (zh) * | 2011-04-26 | 2011-09-14 | 华北电力大学 | 一种网络安全态势预测方法 |
| CN102254180A (zh) * | 2011-06-28 | 2011-11-23 | 北京交通大学 | 一种基于几何特征的人脸美感分析方法 |
| CN103065191A (zh) * | 2011-10-19 | 2013-04-24 | 西安邮电学院 | 一种快速的神经网络学习方法 |
| CN103440493A (zh) * | 2013-02-27 | 2013-12-11 | 中国人民解放军空军装备研究院侦察情报装备研究所 | 基于相关向量机的高光谱影像模糊分类方法及装置 |
| CN104462797A (zh) * | 2014-11-24 | 2015-03-25 | 天津工业大学 | 一种用于过程参数在线检测的增量集成算法 |
| CN106650926A (zh) * | 2016-09-14 | 2017-05-10 | 天津工业大学 | 一种稳健的boosting极限学习机集成建模方法 |
| CN106529008A (zh) * | 2016-11-01 | 2017-03-22 | 天津工业大学 | 一种基于蒙特卡罗及lasso的双集成偏最小二乘建模方法 |
| CN106934209A (zh) * | 2017-01-19 | 2017-07-07 | 上海电气电站环保工程有限公司 | 一种燃煤电站烟气含氧量在线预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11551155B2 (en) | 2018-11-09 | 2023-01-10 | Industrial Technology Research Institute | Ensemble learning predicting method and system |
| CN109658353A (zh) * | 2018-12-17 | 2019-04-19 | 合肥师范学院 | 基于波段筛选的光谱加权集成校正模型的构建方法及系统 |
| CN111415715A (zh) * | 2020-04-17 | 2020-07-14 | 北京北分瑞利分析仪器(集团)有限责任公司 | 一种基于多元光谱数据的智能校正方法、系统及装置 |
| CN111415715B (zh) * | 2020-04-17 | 2023-09-01 | 北京北分瑞利分析仪器(集团)有限责任公司 | 一种基于多元光谱数据的智能校正方法、系统及装置 |
| CN113607683A (zh) * | 2021-08-09 | 2021-11-05 | 天津九光科技发展有限责任公司 | 一种近红外光谱定量分析的自动建模方法 |
| CN113607683B (zh) * | 2021-08-09 | 2024-09-06 | 天津九光科技发展有限责任公司 | 一种近红外光谱定量分析的自动建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107290305B (zh) | 2019-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107290305B (zh) | 一种基于集成学习的近红外光谱定量建模方法 | |
| Hu et al. | Band selection of hyperspectral images using multiobjective optimization-based sparse self-representation | |
| CN104374738B (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
| US12105068B2 (en) | Information processing device, information processing device control method, program, calculation device, and calculation method | |
| CN107292350A (zh) | 大规模数据的异常检测方法 | |
| CN103440493A (zh) | 基于相关向量机的高光谱影像模糊分类方法及装置 | |
| Perez-Elizalde et al. | A general Bayesian estimation method of linear–bilinear models applied to plant breeding trials with genotype× environment interaction | |
| Bu et al. | Stellar atmospheric parameter estimation using Gaussian process regression | |
| Kitaguchi et al. | A convolutional neural network approach for reconstructing polarization information of photoelectric X-ray polarimeters | |
| CN106383088A (zh) | 一种基于多光谱成像技术的种子纯度快速无损检测方法 | |
| CN110736707A (zh) | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 | |
| Qi et al. | SAM-GAN: An improved DCGAN for rice seed viability determination using near-infrared hyperspectral imaging | |
| CN117556245B (zh) | 一种四甲基氢氧化铵生产过滤杂质检测方法 | |
| Chi et al. | Global hypothesis testing for high‐dimensional repeated measures outcomes | |
| Taşdemir et al. | Analysis of the young open cluster Trumpler 2 using Gaia DR3 data | |
| Yu et al. | LSCA-net: A lightweight spectral convolution attention network for hyperspectral image processing | |
| Kepplinger | Robust variable selection and estimation via adaptive elastic net S-estimators for linear regression | |
| Tian et al. | Multi-classification identification of PLS in rice spectra with different pre-treatments and K/S optimisation | |
| Li et al. | Multi-model fusion stacking ensemble learning method for the prediction of berberine by FT-NIR spectroscopy | |
| Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
| Pedro et al. | Optimal mass variables for semivisible jets | |
| CN113435628B (zh) | 基于线性判别分析和ialo-elm的中长期径流预测方法及系统 | |
| CN112326574B (zh) | 一种基于贝叶斯分类的光谱波长选择方法 | |
| CN114878549A (zh) | 一种基于拉曼光谱的玉米黄曲霉素的检测方法 | |
| Lin et al. | A feature domain space transfer method for improving identification of maize haploid seed based on near-infrared spectroscopy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |