高光谱成像仪高光谱数据建模方法介绍

高光谱成像仪在对样本进行高光数据采集后，会根据测试需求进行采集感兴趣的区域，也就是特征波长的提取，然后跟具特征波长，建立相应的预测模型，进而对样本的特性进行分析。本文对高光谱成像仪高光谱数据建模方法做了介绍。

1.SVM建模方法

SVM属于有监督学习算法，是一种基于统计学理论的新型学习机，具有分类效果好、算法思想简单、运算速度快等优点常用于模式识别、分类以及回归分析。它的优点是能够让原本非线性可分的问题转化为在特征空间中线性可分的问题。当数据集噪声点过多时，SVM通过引入“松弛变量”和“惩罚系数”解决线性不可分问题，能够获得较好的泛化性能减少过拟合。SVM另外一个特点是它可以发现目标函数的全局最优解，避免陷入局部最优问题。SVM主要设置的参数为核函数类型、惩罚系数范围。

2.AdaBoost建模方法

AdaBoost是一种自适应提升方法，在它提供的框架内可以任意选择方法构建弱分类器，不用事先对特征数据进行筛选因此不容易发生过拟合。而且它最终得到的强分类器并不需要弱分类器的先验知识，能够明显提高模型的学习精度，有很好的泛化性能。在运行过程中能够自动根据每个分类器的反馈结果进行相应地调整，能够显著提高模型分析数据的效率。AdaBoost主要设置的参数为训练样本权值大小、弱分类器数量、弱学习器的权重缩减系数。

3.KNN建模方法

KNN是常见的有监督学习的分类算法之一，实现简单不需要提前对模型进行训练，分类精度较高。在对样本进行分类时，首先测量不同样本特征值之间的距离，未标记样本的类别由距离其最近的K位“邻居”决定，如果其中某一类别的“邻居”数量最多，那么该样本也属于同种类别。KNN适合用于大样本数据的多分类问题，主要设置的参数为K值和权重。

4.CNN建模方法

CNN是神经网络的一种算法结构，神经网络是模仿生物神经网络如人类大脑功能和结构的数学模型，能够实现和人类似的简单决定能力与判断能力。CNN网络结构主要包括卷积层、池化层和全连接层。利用卷积层根据输入的样本数据提取特征，然后使用池化层下采样降低特征图维数，减少冗余数据，最后使用全连接层选择不同的激活函数进行分类或者回归。

5.PLSR建模方法

PLSR是一种多元回归建模方法，该算法在建模过程中，结合了多种分析方法的特点，将较多的自变量分解为少量的潜在变量。目前在物质检测方面被普遍使用，尤其是用于处理频谱数据，可以明显消除共线性的现象，并且能可视化模型构建中权值最大的区域。PLSR主要设置的参数为潜在变量的数量。

6.RF建模方法

RF模型是集成学习中的bagging流派，该模型主要是先从原始样本集中随机抽取k个采样集，每个采样集之间是相互独立的。分别对这k个采样集进行训练形成对应的k个弱学习器，其选用的基础学习器是分类回归树，将这k个弱学习器模型输出通过结合策略得到最终的模型输出。通过将多棵决策树集成，能有效降低模型的方差。RF的优点有很多可以对高维数据和不平衡数据进行处理，处理速度快效果明显且不容易产生过拟合。RF主要设置的参数为决策树的数量和最大深度。