一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法.docx

一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法
一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法
本发明涉及可见-近红外光谱分析【技术领域】，具体是一种结合Adaboost算法的可见-近红外光谱PL一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法
一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法
本发明涉及可见-近红外光谱分析【技术领域】，具体是一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法，特征是通过自适应增强算法(Adaboost)集成多个PLS-DA模型得到一个强的分类器。PLS-DA是红外光谱技术中一种常用的识别模型。但是PLS-DA模型不能有效的反映可见-近红外光谱与分析样本类别之间的非线性关系，因此对非线性较强的数据，PLS-DA模型的准确性会下降。Adaboost算法提供的是框架，可以使用各种方法构建子分类器。本发明使用PLS-DA作为子分类器，结合Adaboost算法得到了一个对非线性较强的数据也能准确分类的强分类器，从而可以将PLS-DA模型推广到非线性较强的数据的识别应用中。
【专利说明】—种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法
【技术领域】
[0001]本发明属于可见-近红外光谱识别领域，具体是一种能提升可见-近红外光谱偏最小二乘判别分析(Partial least squares dis-criminationanalysis, PLS-DA)建模效果的数据处理方法。技术背景
[0002]在小样本多变量的可见-近红外光谱数据中，PLS-DA模型可以很好的解决其它建模方法所遇到的变量共线性问题和维数灾难，因此在红外光谱识别中得到了广泛的用。但是PLS-DA模型作为一种线性模型，不能有效的反映近红外光谱与分析样本类别之间的非线性关系，因此对非线性较强的数据，PLS-DA模型的准确性会下降。
[0003]自适应增强算法(Adaboost)是一种适合于在各种分类场景下应用的算法。Adaboost算法的核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。Adaboost有很多优点，如Adaboost算法提供的是框架，可以使用各种方法构建子分类器；构造方法简单；不会出现过拟合等。
【发明内容】
[0004]PLS-DA模型由于不能有效的反映可见-近红外光谱数据和样本类别标签之间的非线性关系而导致模型的准确性受制于可见-近红外光谱数据非线性的程度。
[0005]本发明针对这一问题提出了一种结合Adaboost算法的可见_近红外光谱PLS-DA建模方法，将PLS-DA模型推广到非线性较强的可见-近红外光谱数据的识别应用中。
[0006]本发明是采用如下技术方案实现的:一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法，包括如下步骤:
[0007]步骤I,给定训练样本，S = Kx1, Y1) ,..., (xm, ym)}，其中，Xi e X,标签 Yi eY ={1,2,3,…，N}，m表示训练样本数，N表示训练样本的类