1、近紅外光譜（NIRS）分析技術能快速無損的測定樣本，已在醫(yī)療行業(yè)和藥品監(jiān)督管理機構中得到了廣泛的應用。針對NIRS藥品鑒別領域，雖然，現(xiàn)有機器學習算法能較好解決NIRS樣本中譜帶寬、重疊嚴重、吸收信號弱及信息解析復雜等問題。但是，這些算法忽略了NIRS藥品鑒別中的類不平衡和代價敏感問題，以及相關分類模型中存在穩(wěn)定性、系數(shù)相關性和求解速度較差問題，目前這些問題成為制約NIRS藥品鑒別方法在全國大規(guī)模推廣的瓶頸。
　　本文針對NIRS

2、藥品鑒別中存在的問題，對三種不同的機器學習算法：支持向量機（SVM）、極限學習機（ELM）以及最小二乘協(xié)同表示（CRC-RLS）進行改進，提出了面向NIRS藥品鑒別的三種分類模型，其具體研究內容如下：
　　(1)提出布谷鳥優(yōu)化尺度化凸殼（SCH(CS)）分類模型。針對非線性分類和類不平衡問題，采用調整尺度因子的方式壓縮正負類樣本，提高分類準確率和泛化能力；針對SCH收斂速度較慢的問題，采用布谷鳥搜索（CS）方法來優(yōu)化模型參數(shù)，降低

3、分類模型的訓練時間；針對NIRS藥品鑒別中代價敏感問題，構建代價敏感尺度化凸殼Cost-Sensitive SCH分類模型，有效減少藥品NIRS鑒別中由于類不平衡問題引發(fā)的平均錯分代價。
　　(2)提出波形疊加極限學習機（SWELM(CS)）分類模型。針對ELM網(wǎng)絡穩(wěn)定性差和收斂速度慢的問題，采用反雙曲線正弦函數(shù)與 Morlet小波函數(shù)疊加函數(shù)代替ELM原有的單一激勵函數(shù)，提高了分類模型的穩(wěn)健性和收斂速度；針對ELM參數(shù)優(yōu)化算法易

4、陷入局部最優(yōu)點且訓練時間較長的問題，采用CS方法來優(yōu)化模型參數(shù)，提高了分類模型的穩(wěn)定性和收斂速度。
　　(3)提出Gabor優(yōu)化協(xié)同表示（CRC_GRLS）分類模型。針對CRC-RLS的L2范數(shù)求解稀疏度較低的問題，采用Gabor濾波器對L2范數(shù)的稀疏解進行濾波，以獲取包含更多相關信息的非零系數(shù)（相關系數(shù)）；針對全局多標簽分類到二分類調整問題，引入KNN局部分類調整，提高了CRC_RLS二分類模型的分類準確率。
　　本文將上