论文部分内容阅读
近年来,基于统计机器学习的人工智能技术已经发展成为许多领域的强大工具.随着光谱技术的飞速发展,毫无疑问,使用先进的统计机器学习方法对光谱数据进行预测分析将成为光谱分析领域发展的新方向.本文中,主要从动物离体血液荧光光谱识别分类和无创血糖光谱检测两方面对统计机器学习在光谱分析领域中的应用进行了探讨,致力于研究出更准确、更高效的未知血液样本识别分类方法以及血糖浓度预测方法.在动物血液荧光光谱识别分类工作中,针对采集到的荧光光谱数据,本文研究了基于传统机器学习和DBN的种属识别方法.研究过程中,首先利用了小波阈值去噪对光谱数据进行预处理,去除了光谱数据的噪声.然后针对传统机器学习分类模型,利用主成分分析法对光谱数据进行了特征提取.最后构建了LR、DT、GBDT以及DBN模型进行了识别分类,且利用交叉验证法对模型进行了评价.此外,本文中提出了一种新的动物离体血液荧光光谱数据识别分类方法.此方法中将DBN作为特征提取器,提取了每个血液样本光谱数据的200个深度特征.然后将区分度统计量筛选后的特征作为模型的输入,进行识别再分类,即区分度统计量“+”深度特征“+”传统机器学习方法的识别分类模型.结果表明,与单一的传统机器学习分类模型和DBN分类模型相比,无论是识别效率还是识别准确率都得到了大大提升.因此可知,DBN可以对特征进行有效提取,从而实现更好的分类.本文提出的方法在法医调查,野生动植物调查和进出口检测中对动物血液光谱数据进行分类具有很大的潜力.在无创血糖光谱检测工作中,针对采集到的近红外光谱数据,研究了基于SVR的血糖浓度预测方法.研究过程中,首先考虑到人体背景信息和噪声对光谱数据的影响,提出了一种位置平均结合小波阈值去噪的光谱数据预处理方法,此方法能有效消除背景信息和光谱噪声.然后针对不同被测对象建立了相应的SVR预测模型,对血糖浓度进行了预测.结果表明,SVR模型对血糖浓度预测的精确性较传统预测模型得到了有效提升.其中,两个被测对象的模型拟合优度分别为0.95和0.947,预测值分布落在克拉克误差网格中A区的百分比分别为98.82%和97.65%.该结果在临床上具有较高的有效性,为统计机器学习在无创血糖光谱检测的进一步应用打下了基础.