Boosting极限学习机用于复杂样品光谱定量分析方法研究
详细信息 查看官网全文
- 英文论文题名：Boosting extreme learning machine for spectral quantitative analysis of complex samples
- 论文作者：卞希慧 ; 李淑娟 ; Michal Dymek ; 谭小耀
- 英文论文作者：Xihui Bian ; Shujuan Li ; Michal Dymek ; Xiaoyao Tan ; State Key Laboratory of Separation Membranes and Membrane Processes ; School of Environmental and Chemical Engineering ; Tianjin Polytechnic University ; Department of Chemical Technology ; Faculty of Chemical Engineering and Technology ; Tadeusz Kosciuszko Cracow University of Technology
- 年：2016
- 作者机构：天津工业大学省部共建分离膜与膜过程国家重点实验室环境与化学工程学院;克拉科夫技术大学化学工程与技术学院化学工程系;
- 论文关键词：极限学习机 ; 集成建模 ; boosting ; 定量分析
- 会议召开时间：2016-07-01
- 会议录名称：中国化学会第30届学术年会摘要集-第二十五分会：化学信息学与化学计量学
- 语种：中文
- 分类号：TP18;O652
- 学会代码：ZGHY
- 会议名称：中国化学会第30届学术年会-第二十五分会 ; 化学信息学与化学计量学
- 会议地点：中国辽宁大连
- 主办单位：中国化学会
- 学会名称：中国化学会
- 页数：1
- 文件大小：177k
- 原文格式：D
- 会议级别：全国
摘要
极限学习机(ELM)是一种基于单隐层前馈神经网络的新算法(如图1),因其结构简单、学习速度快、参数少等优势~([1]),引起了广泛关注。最近该方法也被引入到分析化学中来~([2]),并取得了较好的效果。为进一步提高ELM的预测精度及稳定性,本研究提出了基于boosting的ELM集成建模方法(如图2)。首先对训练集样本所有样品赋于相同的取样权重,根据样品的取样权重选取一定数目样本建立ELM子模型,用这个子模型预测训练集中所有样品。然后对预测误差大的样品加大取样权重(预测误差过大样品的取样权重设为零)。重复多次,建立多个子模型;最后通过加权平均来预测未知样品。通过不同复杂样品光谱数据验证该方法的可行性,并与ELM、bagging ELM方法进行比较。结果表明boosting ELM具有更好的预测精度与稳定性。
Extreme learning machine(ELM) has drawn increasing attentions because of its simple structure,fast learning and few parameters.For further improving the predictive stability and accuracy,an ensemble method based on boosting and ELM is proposed.The method is evaluated and compared with ELM and bagging ELM by using different spectral datasets.Results show that boosting ELM is more stable and accurate than ELM and bagging ELM for quantitative analysis of complex samples.
Extreme learning machine(ELM) has drawn increasing attentions because of its simple structure,fast learning and few parameters.For further improving the predictive stability and accuracy,an ensemble method based on boosting and ELM is proposed.The method is evaluated and compared with ELM and bagging ELM by using different spectral datasets.Results show that boosting ELM is more stable and accurate than ELM and bagging ELM for quantitative analysis of complex samples.
引文
[1]Huang,G.B.;Zhu,Q.Y.;Siew,C.K.Neurocomputing.2006,70:489.
[2]Chen,W.R.;Bin,J.;Lu,H.M.;Zhang,Z.M.;Liang,Y.Z.Analyst.2016,141:1973.
[2]Chen,W.R.;Bin,J.;Lu,H.M.;Zhang,Z.M.;Liang,Y.Z.Analyst.2016,141:1973.