10.13700/j.bh.1001-5965.2016.0459
基于改进极限学习机的光谱定量建模方法
依据近红外光谱(NIR)产生原理,提出了粒子群优化极限学习机(PSO-ELM)算法,运用于小样本氨水浓度定量分析.通过优化极限学习机(ELM)隐藏节点参数,解决了极限学习机由于输入权值和隐含层偏差随机产生的建模结果具有随机性的问题,提高了预测模型的稳定性、精确度和泛化性能.经实验验证,优化后的PSO-ELM相比ELM,模型预测集均方根误差由0.01166减小至0.00322,预测集相关系数由0.995 1提高至0.9979.将优化后的模型预测结果与支持向量机(SVM)、BP神经网络算法等传统方法的建模结果进行对比,优化后的PSO-ELM算法具有较高的精确度和良好的泛化性能,模型预测效果优于传统的定量回归分析算法.
近红外光谱(NIR)、定量分析、小样本、极限学习机(ELM)、粒子群优化(PSO)算法
43
O433.4;TB96(光学)
2017-08-16(万方平台首次上网日期,不代表论文的发表时间)
共8页
1208-1215