DOI number:10.3964/j

Journal:Spectroscopy and Spectral Analysis

Key Words:Integrated learning; Support vector machine; GBDT; Quantitative regression

Abstract:近年来，深度学习在数据挖掘领域研究较多，深度学习中的集成学习算法也越来越多地应用到分类和定量回归中，但是，集成学习算法在红外光谱分析领域的应用研究较少。提出一种基于Ｂｌｅｎｄｉｎｇ模型融 合的集成学习定量回 归 算 法，利 用 ＧＢＤＴ 算 法、线 性 核 支 持 向 量 机 （ＬｉｎｅａｒＳＶＭ）和 径 向 基 核 支 持 向 量 机（ＲＢＦ　ＳＶＭ）作为基学习器，将基学习器预测结果通过 ＬｉｎｅａｒＳＶＭ 模型完成数据融合。以公开数据库中的药片和柴油近红外光谱数据为研究对象，首先对光谱数据进行一阶导数预处理，分别采用单核支持向量回归模型、ＧＢＤＴ 模型和 Ｂｌｅｎｄｉｎｇ集成学习模型，将模型预测结果进行分析比较。药片活性物含量和硬度性质采用 ＲＢＦ　ＳＶＭ 模型的预测结果最优，ＲＭＳＥＰ最小，ＲＰＤ 最大；其次为 Ｂｌｅｎｄｉｎｇ集成学习模型；ＧＢＤＴ 模型预测结果最差。药片质量采用 Ｂｌｅｎｄｉｎｇ集成学习模型预测的 Ｒ２最高，达到０．８３７　４；ＲＢＦ　ＳＶＭ 的 ＲＭＳＥＰ 最小，为２．１４０　６，ＲＰＤ 最大，达到７．４８７　８；ＬｉｎｅａｒＳＶＭ 的预测结果最差。对于柴油沸点、闪点和总芳香烃三种性质，Ｂｌｅｎｄｉｎｇ模型预测效果最好，优于三种单模型预测结果。对于十六烷值，ＧＢＤＴ 模型和 ＲＢＦ　ＳＶＭ模型预测结果优于 Ｂｌｅｎｄｉｎｇ集成学习模型。对于密度，仅 ＧＢＤＴ 模型优于Ｂｌｅｎｄｉｎｇ集成模型，并且，使用单模型和集成模型的预测结果均较为理想，除了 ＬｉｎｅａｒＳＶＭ 模型Ｒ２为０．９４４　５，其他模型Ｒ２均高于０．９９。对于冰点的预测，ＲＢＦ　ＳＶＭ 和 ＬｉｎｅａｒＳＶＭ 的预测效果优于 Ｂｌｅｎｄｉｎｇ集成学习模型。对于黏性性质的预测，仅ＲＢＦ　ＳＶＭ 的预测效果优于 Ｂｌｅｎｄｉｎｇ集成算法模型。由结果可以看出，由 ＧＢＤＴ，ＬｉｎｅａｒＳＶＭ 和 ＲＢＦ　ＳＶＭ集成的 Ｂｌｅｎｄｉｎｇ模型由于融合 了 单 模 型 的 特 征，与 单 模 型 相 比，预 测 效 果 较 优 或 者 最 优，证 明 集 成 学 习Ｂｌｅｎｄｉｎｇ模型用于红外光谱定量回归具有较强的适用性，且具有较高的预测精度和泛化能力，对于进一步研究集成学习算法在红外光谱定量回归中的应用具有重要的意义。

Indexed by:Journal paper

Discipline:Engineering

Document Type:J

Volume:41

Issue:4

Page Number:1119-1124

ISSN No.:1000-0593

Translation or Not:no

CN No.:11-2200/O4

Date of Publication:2021-04-20

Included Journals:SCI、EI