[发明专利]一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法

摘要

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。

主权项

1.一种结合Adaboost算法的可见-近红外光谱PLS-DA建模方法，其特征包括以下各步骤：步骤1，给定训练样本，S＝{(x₁，y₁)，…，(x_m，y_m)}，其中，x_i∈X，标签y_i∈Y＝{1，2，3，…，N}，m表示训练样本数，N表示训练样本的类别数；步骤2，初始化每一个样本的权重系数ω_i＝1/m，i＝1，…，m；步骤3，在每一次循环t＝1，…，T做以下步骤；步骤3.1，使用偏最小二乘法对有权重分布的训练样本进行建模，得到一个PLS-DA模型h_t；步骤3.2，计算h_t的训练误差算法中符号“[]”的定义如下：对于逻辑表达式e，如过e为真，则[e]＝1，否则[e]＝0；步骤3.3，若ε_t＞1/2则设定T＝t-1然后跳至步骤4；步骤3.4，令β_t＝ε_t/(1-ε_t)，α_t＝1n(1/β_t)；步骤3.5，更新样本权重系数ωit+1=ωitZt×βt1-[ht(xi)≠yi]]]>其中，Z_t为归一化系数，可使得步骤4，输出强分类器：H(x)=argmaxy∈Y(Σt=1Tαt[ht(x)=y]);]]>步骤5，对H(x)的分类准确性进行检验。