高光譜成像儀在對(duì)樣本進(jìn)行高光數(shù)據(jù)采集后，會(huì)根據(jù)測(cè)試需求進(jìn)行采集感興趣的區(qū)域，也就是特征波長(zhǎng)的提取，然后跟具特征波長(zhǎng)，建立相應(yīng)的預(yù)測(cè)模型，進(jìn)而對(duì)樣本的特性進(jìn)行分析。本文對(duì)高光譜成像儀高光譜數(shù)據(jù)建模方法做了介紹。

1.SVM建模方法

SVM屬于有監(jiān)督學(xué)習(xí)算法，是一種基于統(tǒng)計(jì)學(xué)理論的新型學(xué)習(xí)機(jī)，具有分類(lèi)效果好、算法思想簡(jiǎn)單、運(yùn)算速度快等優(yōu)點(diǎn)常用于模式識(shí)別、分類(lèi)以及回歸分析。它的優(yōu)點(diǎn)是能夠讓原本非線(xiàn)性可分的問(wèn)題轉(zhuǎn)化為在特征空間中線(xiàn)性可分的問(wèn)題。當(dāng)數(shù)據(jù)集噪聲點(diǎn)過(guò)多時(shí)，SVM通過(guò)引入“松弛變量”和“懲罰系數(shù)”解決線(xiàn)性不可分問(wèn)題，能夠獲得較好的泛化性能減少過(guò)擬合。SVM另外一個(gè)特點(diǎn)是它可以發(fā)現(xiàn)目標(biāo)函數(shù)的全局最優(yōu)解，避免陷入局部最優(yōu)問(wèn)題。SVM主要設(shè)置的參數(shù)為核函數(shù)類(lèi)型、懲罰系數(shù)范圍。

2.AdaBoost建模方法

AdaBoost是一種自適應(yīng)提升方法，在它提供的框架內(nèi)可以任意選擇方法構(gòu)建弱分類(lèi)器，不用事先對(duì)特征數(shù)據(jù)進(jìn)行篩選因此不容易發(fā)生過(guò)擬合。而且它最終得到的強(qiáng)分類(lèi)器并不需要弱分類(lèi)器的先驗(yàn)知識(shí)，能夠明顯提高模型的學(xué)習(xí)精度，有很好的泛化性能。在運(yùn)行過(guò)程中能夠自動(dòng)根據(jù)每個(gè)分類(lèi)器的反饋結(jié)果進(jìn)行相應(yīng)地調(diào)整，能夠顯著提高模型分析數(shù)據(jù)的效率。AdaBoost主要設(shè)置的參數(shù)為訓(xùn)練樣本權(quán)值大小、弱分類(lèi)器數(shù)量、弱學(xué)習(xí)器的權(quán)重縮減系數(shù)。

3.KNN建模方法

KNN是常見(jiàn)的有監(jiān)督學(xué)習(xí)的分類(lèi)算法之一，實(shí)現(xiàn)簡(jiǎn)單不需要提前對(duì)模型進(jìn)行訓(xùn)練，分類(lèi)精度較高。在對(duì)樣本進(jìn)行分類(lèi)時(shí)，首先測(cè)量不同樣本特征值之間的距離，未標(biāo)記樣本的類(lèi)別由距離其最近的K位“鄰居”決定，如果其中某一類(lèi)別的“鄰居”數(shù)量最多，那么該樣本也屬于同種類(lèi)別。KNN適合用于大樣本數(shù)據(jù)的多分類(lèi)問(wèn)題，主要設(shè)置的參數(shù)為K值和權(quán)重。

4.CNN建模方法

CNN是神經(jīng)網(wǎng)絡(luò)的一種算法結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)是模仿生物神經(jīng)網(wǎng)絡(luò)如人類(lèi)大腦功能和結(jié)構(gòu)的數(shù)學(xué)模型，能夠?qū)崿F(xiàn)和人類(lèi)似的簡(jiǎn)單決定能力與判斷能力。CNN網(wǎng)絡(luò)結(jié)構(gòu)主要包括卷積層、池化層和全連接層。利用卷積層根據(jù)輸入的樣本數(shù)據(jù)提取特征，然后使用池化層下采樣降低特征圖維數(shù)，減少冗余數(shù)據(jù)，最后使用全連接層選擇不同的激活函數(shù)進(jìn)行分類(lèi)或者回歸。

5.PLSR建模方法

PLSR是一種多元回歸建模方法，該算法在建模過(guò)程中，結(jié)合了多種分析方法的特點(diǎn)，將較多的自變量分解為少量的潛在變量。目前在物質(zhì)檢測(cè)方面被普遍使用，尤其是用于處理頻譜數(shù)據(jù)，可以明顯消除共線(xiàn)性的現(xiàn)象，并且能可視化模型構(gòu)建中權(quán)值最大的區(qū)域。PLSR主要設(shè)置的參數(shù)為潛在變量的數(shù)量。

6.RF建模方法

RF模型是集成學(xué)習(xí)中的bagging流派，該模型主要是先從原始樣本集中隨機(jī)抽取k個(gè)采樣集，每個(gè)采樣集之間是相互獨(dú)立的。分別對(duì)這k個(gè)采樣集進(jìn)行訓(xùn)練形成對(duì)應(yīng)的k個(gè)弱學(xué)習(xí)器，其選用的基礎(chǔ)學(xué)習(xí)器是分類(lèi)回歸樹(shù)，將這k個(gè)弱學(xué)習(xí)器模型輸出通過(guò)結(jié)合策略得到最終的模型輸出。通過(guò)將多棵決策樹(shù)集成，能有效降低模型的方差。RF的優(yōu)點(diǎn)有很多可以對(duì)高維數(shù)據(jù)和不平衡數(shù)據(jù)進(jìn)行處理，處理速度快效果明顯且不容易產(chǎn)生過(guò)擬合。RF主要設(shè)置的參數(shù)為決策樹(shù)的數(shù)量和最大深度。