高光譜成像儀在對樣本進行高光數據采集后，會根據測試需求進行采集感興趣的區域，也就是特征波長的提取，然后跟具特征波長，建立相應的預測模型，進而對樣本的特性進行分析。本文對高光譜成像儀高光譜數據建模方法做了介紹。

1.SVM建模方法

SVM屬于有監督學習算法，是一種基于統計學理論的新型學習機，具有分類效果好、算法思想簡單、運算速度快等優點常用于模式識別、分類以及回歸分析。它的優點是能夠讓原本非線性可分的問題轉化為在特征空間中線性可分的問題。當數據集噪聲點過多時，SVM通過引入“松弛變量”和“懲罰系數”解決線性不可分問題，能夠獲得較好的泛化性能減少過擬合。SVM另外一個特點是它可以發現目標函數的全局最優解，避免陷入局部最優問題。SVM主要設置的參數為核函數類型、懲罰系數范圍。

2.AdaBoost建模方法

AdaBoost是一種自適應提升方法，在它提供的框架內可以任意選擇方法構建弱分類器，不用事先對特征數據進行篩選因此不容易發生過擬合。而且它最終得到的強分類器并不需要弱分類器的先驗知識，能夠明顯提高模型的學習精度，有很好的泛化性能。在運行過程中能夠自動根據每個分類器的反饋結果進行相應地調整，能夠顯著提高模型分析數據的效率。AdaBoost主要設置的參數為訓練樣本權值大小、弱分類器數量、弱學習器的權重縮減系數。

3.KNN建模方法

KNN是常見的有監督學習的分類算法之一，實現簡單不需要提前對模型進行訓練，分類精度較高。在對樣本進行分類時，首先測量不同樣本特征值之間的距離，未標記樣本的類別由距離其最近的K位“鄰居”決定，如果其中某一類別的“鄰居”數量最多，那么該樣本也屬于同種類別。KNN適合用于大樣本數據的多分類問題，主要設置的參數為K值和權重。

4.CNN建模方法

CNN是神經網絡的一種算法結構，神經網絡是模仿生物神經網絡如人類大腦功能和結構的數學模型，能夠實現和人類似的簡單決定能力與判斷能力。CNN網絡結構主要包括卷積層、池化層和全連接層。利用卷積層根據輸入的樣本數據提取特征，然后使用池化層下采樣降低特征圖維數，減少冗余數據，最后使用全連接層選擇不同的激活函數進行分類或者回歸。

5.PLSR建模方法

PLSR是一種多元回歸建模方法，該算法在建模過程中，結合了多種分析方法的特點，將較多的自變量分解為少量的潛在變量。目前在物質檢測方面被普遍使用，尤其是用于處理頻譜數據，可以明顯消除共線性的現象，并且能可視化模型構建中權值最大的區域。PLSR主要設置的參數為潛在變量的數量。

6.RF建模方法

RF模型是集成學習中的bagging流派，該模型主要是先從原始樣本集中隨機抽取k個采樣集，每個采樣集之間是相互獨立的。分別對這k個采樣集進行訓練形成對應的k個弱學習器，其選用的基礎學習器是分類回歸樹，將這k個弱學習器模型輸出通過結合策略得到最終的模型輸出。通過將多棵決策樹集成，能有效降低模型的方差。RF的優點有很多可以對高維數據和不平衡數據進行處理，處理速度快效果明顯且不容易產生過擬合。RF主要設置的參數為決策樹的數量和最大深度。