用于近红外光谱分析的层次极端学习机器
Qiaoyun Wang1, Zhiqi Gao2, Tianyu Li2
1College of Information Science and Engineering, Northeastern University, Shenyang, Liaoning Province 110819, China; Hebei Key Laboratory of Micro-Nano Precision Optical Sensing and Measurement Technology, Qinhuangdao 066004, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 1, 2025
概括
一个新的等级极端学习机器 (HELM) 改善了近红外 (NIR) 光谱的维度减小 (DR). 部分最小平方模型 (HELM-PLS) 增强了特征提取,从而提高了预测准确性和稳定性.
科学领域:
- 光谱学
- 化学测量
- 机器学习
背景情况:
- 维度减小 (DR) 对于分析高维近红外 (NIR) 光谱数据至关重要.
- 传统的DR方法在特征选择和模型精度改进方面面临挑战.
- 有效的DR对于强大的化学建模至关重要.
研究的目的:
- 为光谱DR引入一个新的层次极端学习机器 (HELM).
- 通过减少冗余和提高功能独立性来提高功能学习效率.
- 开发一个集成的HELM-部分最小方程模型 (HELM-PLS) 以改进光谱数据分析.
主要方法:
- 使用相互直角重量向量的HELM的开发.
- 将HELM与部分最小方程 (PLS) 整合在一起,形成HELM-PLS模型.
- 在三个公共光谱数据集上验证HELM-PLS模型.
主要成果:
- 在数据集中,HELM-PLS模型显示出出色的性能指标 (R,RMSE,RPD).
- 与其他DR方法相比,HELM-PLS显示出更高的预测准确性,稳定性和通用性.
- 对于光谱DR和特征提取,HELM方法被证明是有效的.
结论:
- 对于光谱数据和特征提取,HELM方法提供了一种卓越的方法.
- 对于复杂的光谱数据分析,HELM-PLS模型提供了高效准确的预测工具.
- 这项研究突显了HELM在化学测量应用中的潜力.
