基于支持向量機(jī)的紅外譜圖識(shí)別.pdf

1、本文的主要內(nèi)容是在經(jīng)典SVM算法的基礎(chǔ)上，設(shè)計(jì)開(kāi)發(fā)一個(gè)可供學(xué)術(shù)研究及實(shí)際使用的支持向量機(jī)工具軟件Easysvm。在軟件的基礎(chǔ)上，應(yīng)用SVM算法就一些實(shí)際問(wèn)題進(jìn)行學(xué)術(shù)研究，解決一些實(shí)際的應(yīng)用問(wèn)題。 在解決兩類(lèi)樣本模式分類(lèi)的基礎(chǔ)上，引入一對(duì)多支持向量機(jī)訓(xùn)練方法。使得多分類(lèi)問(wèn)題的解決變的簡(jiǎn)單方便。Easysvm軟件多分類(lèi)算法應(yīng)用于紅外譜圖官能團(tuán)識(shí)別建模，該模型對(duì)化合物所含官能團(tuán)的預(yù)報(bào)正確率達(dá)到96％以上，部分官能團(tuán)的正確預(yù)報(bào)率達(dá)到10

2、0％。本模型可通過(guò)某未知化合物紅外譜圖數(shù)據(jù)來(lái)預(yù)測(cè)此化合物的分子組成。試驗(yàn)結(jié)果表明支持向量機(jī)算法用于物質(zhì)鑒別、物質(zhì)純度檢測(cè)等領(lǐng)域是可行的?！　≡诮?jīng)典SVM算法的基礎(chǔ)上引入加權(quán)向量機(jī)算法，解決兩類(lèi)樣本數(shù)目嚴(yán)重失衡情況下的分類(lèi)問(wèn)題。Easysvm軟件引入加權(quán)算法用于G蛋白偶聯(lián)受體數(shù)據(jù)建模時(shí)對(duì)正類(lèi)樣本的預(yù)報(bào)正確率達(dá)到80％以上，負(fù)類(lèi)樣本的預(yù)報(bào)正確率達(dá)到95.45％。實(shí)驗(yàn)顯示加權(quán)算法能有效提高模型對(duì)少量數(shù)目樣本的預(yù)報(bào)能力?！　asysvm軟

3、件用于癌癥數(shù)據(jù)模式分類(lèi)。通過(guò)與KNN、神經(jīng)網(wǎng)絡(luò)算法的預(yù)報(bào)結(jié)果做比較，本軟件對(duì)癌癥數(shù)據(jù)的預(yù)報(bào)正確率為100％，明顯強(qiáng)于KNN、神經(jīng)網(wǎng)絡(luò)算法；并且訓(xùn)練次數(shù)與預(yù)報(bào)能力沒(méi)有太大的聯(lián)系。本次比較為SVM算法在預(yù)報(bào)能力、和限制過(guò)擬合問(wèn)題等方面均強(qiáng)于傳統(tǒng)模式識(shí)別方法找到又一例子，同時(shí)顯示出癌癥疾病自動(dòng)診斷的可行性。　　實(shí)驗(yàn)結(jié)果表明，Easysvm軟件在實(shí)際應(yīng)用過(guò)程中具有使用方便、性能穩(wěn)定的特點(diǎn)。在解決模式分類(lèi)的問(wèn)題中，樣本數(shù)目在兩千以?xún)?nèi)，本軟件所用