蒋薇薇，鲁昌华，，张玉钧，鞠 薇，汪济洲，偶春生*，肖明霞

1.合肥工业大学计算机与信息学院，安徽 合肥 230009 2.中国科学院合肥物质科学研究院，安徽 合肥 230031 3.安徽大学互联网学院，安徽 合肥 230039 4.合肥学院电子系，安徽 合肥 230061

引 言

红外光谱是一种常用的物质定量分析和化合物结构鉴定方法，当使用红外光谱仪记录物质的光谱信号时，有机物化合分子会选择性地吸收红外光的某些特定频率的能量，通过分析被分子吸收后的光谱能够获取光谱对应的样本组分含量或样本性质。常用的红外光谱定量回归方法有多元线性回归(MLR)、偏最小二乘(PLS)、支持向量机(SVM)、最小二乘支持向量机(LS-SVM)，以及机器学习中的最小绝对收缩和选择算子(LASSO)[1]、极限学习机(ELM)[2]和卷积神经网络(CNNs)[3]等算法。

近年来，深度学习算法在数据挖掘领域的研究较为广泛，深度学习中的集成学习算法如自适应提升(AdaBoost)[4]、决策树(DT)[5]、随机森林[6]、梯度提升决策树(GDBT)[7]等越来越多地应用到分类及定量回归领域。但是，集成学习算法及不同集成学习算法的融合模型在红外光谱分析领域的应用研究较少。李盛芳等利用随机森林对不同类型的水果糖分进行近红外光谱预测，随机森林模型的预测结果明显优于PLS模型[见本刊2018，38(6)：112]。戎念慈等[8]利用可见-近红外多光谱构建以k最近邻算法、SVM和随机森林为基模型的融合模型，分析预测血迹年龄，融合模型预测精度高于单独采用一个算法的模型。本文提出一种基于Blending模型融合的集成学……