【摘要】：依據(jù)近紅外光譜(NIR)產(chǎn)生原理,提出了粒子群優(yōu)化極限學(xué)習(xí)機(PSO-ELM)算法,運用于小樣本氨水濃度定量分析。通過優(yōu)化極限學(xué)習(xí)機(ELM)隱藏節(jié)點參數(shù),解決了極限學(xué)習(xí)機由于輸入權(quán)值和隱含層偏差隨機產(chǎn)生的建模結(jié)果具有隨機性的問題,提高了預(yù)測模型的穩(wěn)定性、精確度和泛化性能。經(jīng)實驗驗證,優(yōu)化后的PSO-ELM相比ELM,模型預(yù)測集均方根誤差由0.01166減小至0.00322,預(yù)測集相關(guān)系數(shù)由0.9951提高至0.9979。將優(yōu)化后的模型預(yù)測結(jié)果與支持向量機(SVM)、BP神經(jīng)網(wǎng)絡(luò)算法等傳統(tǒng)方法的建模結(jié)果進行對比,優(yōu)化后的PSO-ELM算法具有較高的精確度和良好的泛化性能,模型預(yù)測效果優(yōu)于傳統(tǒng)的定量回歸分析算法。


本文編號：2717662