高光譜成像儀在對樣本進行高光數(shù)據(jù)采集后，會根據(jù)測試需求進行采集感興趣的區(qū)域，也就是特征波長的提取，然后跟具特征波長，建立相應(yīng)的預測模型，進而對樣本的特性進行分析。本文對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)督學習算法，是一種基于統(tǒng)計學理論的新型學習機，具有分類效果好、算法思想簡單、運算速度快等優(yōu)點常用于模式識別、分類以及回歸分析。它的優(yōu)點是能夠讓原本非線性可分的問題轉(zhuǎn)化為在特征空間中線性可分的問題。當數(shù)據(jù)集噪聲點過多時，SVM通過引入“松弛變量”和“懲罰系數(shù)”解決線性不可分問題，能夠獲得較好的泛化性能減少過擬合。SVM另外一個特點是它可以發(fā)現(xiàn)目標函數(shù)的全局最優(yōu)解，避免陷入局部最優(yōu)問題。SVM主要設(shè)置的參數(shù)為核函數(shù)類型、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)建弱分類器，不用事先對特征數(shù)據(jù)進行篩選因此不容易發(fā)生過擬合。而且它最終得到的強分類器并不需要弱分類器的先驗知識，能夠明顯提高模型的學習精度，有很好的泛化性能。在運行過程中能夠自動根據(jù)每個分類器的反饋結(jié)果進行相應(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)為訓練樣本權(quán)值大小、弱分類器數(shù)量、弱學習器的權(quán)重縮減系數(shù)。

3.KNN建模方法

KNN是常見的有監(jiān)督學習的分類算法之一，實現(xiàn)簡單不需要提前對模型進行訓練，分類精度較高。在對樣本進行分類時，首先測量不同樣本特征值之間的距離，未標記樣本的類別由距離其最近的K位“鄰居”決定，如果其中某一類別的“鄰居”數(shù)量最多，那么該樣本也屬于同種類別。KNN適合用于大樣本數(shù)據(jù)的多分類問題，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)如人類大腦功能和結(jié)構(gòu)的數(shù)學模型，能夠?qū)崿F(xiàn)和人類似的簡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)進行分類或者回歸。

5.PLSR建模方法

PLSR是一種多元回歸建模方法，該算法在建模過程中，結(jié)合了多種分析方法的特點，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模型是集成學習中的bagging流派，該模型主要是先從原始樣本集中隨機抽取k個采樣集，每個采樣集之間是相互獨立的。分別對這k個采樣集進行訓練形成對應(yīng)的k個弱學習器，其選用的基礎(chǔ)學習器是分類回歸樹，將這k個弱學習器模型輸出通過結(jié)合策略得到最終的模型輸出。通過將多棵決策樹集成，能有效降低模型的方差。RF的優(yōu)點有很多可以對高維數(shù)據(jù)和不平衡數(shù)據(jù)進行處理，處理速度快效果明顯且不容易產(chǎn)生過擬合。RF主要設(shè)置的參數(shù)為決策樹的數(shù)量和最大深度。