[发明专利]基于支持向量机模型的实测光谱曲线中异常光谱剔除方法

权利要求书

1.基于支持向量机模型的实测光谱曲线中异常光谱剔除方法，其特征在于，包括如下步骤：

1)获取实测光谱数据，并对其进行预处理；

2)依据经预处理的所述实测光谱数据，获取光谱的二维平面散点图，二维平面散点图是通过以下方法得到的：

计算经预处理的实测光谱数据与标准光谱集平均光谱之间的局部度量，包括欧氏距离ED和余弦角CA，并归一化到0-1之间；计算经预处理的实测光谱数据与标准光谱集平均光谱之间的整体度量，包括光谱信息散度SID，并归一化到0-1之间；

光谱编号结合归一化后的欧氏距离ED、余弦角CA、光谱信息散度SID和表达式(ED×SID)/CA的值，得到二维平面下的ED散点图、CA散点图、SID散点图和(ED×SID)/CA散点图；

所述二维平面散点图包括所述ED散点图和/或CA散点图和/或SID散点图和/或(ED×SID)/CA散点图；

3)将位于所述二维平面散点图中上方离集群中心较远的离散点标记为总离散点，将二维平面散点图中下方除去了离散点之外的集群点标记为总集群点，总离散点和总集群点共同构成训练光谱；

4)选取核函数和惩罚系数C，结合所述训练光谱建立支持向量机模型；

5)将所述二维平面散点图输入所述支持向量机模型，在高维空间得到最优分类超平面函数表达式，最优分类超平面函数表达式即为异常光谱阈值线；

6)所述二维平面散点图位于异常光谱阈值线上方的光谱点即为异常光谱，剔除所述异常光谱。

2.根据权利要求1所述的基于支持向量机模型的实测光谱曲线中异常光谱剔除方法，其特征在于：所述步骤1)预处理包括三个步骤11)去除水汽影响波段，12)采用多项式平滑滤波，滤除原始光谱中高频噪声，13)包络线去除。

3.根据权利要求1所述的基于支持向量机模型的实测光谱曲线中异常光谱剔除方法，其特征在于：所述二维平面下的ED散点图、CA散点图、SID散点图和(ED×SID)/CA散点图的建立方法为：以光谱编号为横轴，以归一化后的欧氏距离ED、余弦角CA、光谱信息散度SID和表达式(ED×SID)/CA的值为纵轴建立二维平面的ED散点图、CA散点图、SID散点图和(ED×SID)/CA散点图。

4.根据权利要求1所述的基于支持向量机模型的实测光谱曲线中异常光谱剔除方法，其特征在于：所述步骤4)中的核函数为RBF核函数，K(m_u,m_v)为核函数，m_u，m_v表示光谱编号为u与v的光谱在二维平面散点图上光谱度量值；所述惩罚系数C和所述RBF核函数中的间隔参数γ均是人为指定的经验参数。

5.根据权利要求4所述的基于支持向量机模型的实测光谱曲线中异常光谱剔除方法，其特征在于：还包括对所述训练光谱进行交叉验证，寻得惩罚系数C和核函数RBF中的间隔参数γ的最优取值的步骤，具体方法为：将所述训练光谱随机分为N个集合，对其中的N-1个集合进行训练，建立SVM二分类算法模型，得到一个决策函数，并用该决策函数对剩下的一个集合进行样本测试；将上述的过程重复N次，取每次过程的测试错误的平均值作为所进行样本测试集合的平均误差，将N次测试所得的N个平均误差中值最小的模型的惩罚系数C和RBF核函数中间隔参数γ的取值作为所述最优取值。

6.根据权利要求1或5所述的基于支持向量机模型的实测光谱曲线中异常光谱剔除方法，其特征在于：所述步骤5)是将(ED×SID)/CA二维平面散点图输入所述支持向量机模型，得到最优分类超平面函数表达式b*表示支持向量偏置；m_u，m_v表示光谱编号为u与v的光谱在归一化(ED×SID)/CA散点图光谱度量值；o_u表示光谱编号u输出不同分类点；所述支持向量机模型即为由惩罚系数C、代入间隔参数γ最优取值的RBF核函数和训练光谱共同构成的SVM二分类算法模型。