[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

说明书

技术领域

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

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。

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

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。

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。

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：

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