近红外(Near Infrared, NIR)光谱监测样本方便快捷、成本低、不破坏样品,在食品工业、农业生产、药物制造等领域应用广泛。基于NIR光谱的在线测量应用中,光谱数据的理化指标等标签获取困难且昂贵,往往仅有少量NIR光谱有相应的标签,大量NIR光谱没有标签。针对这种NIR光谱数据,传统NIR光谱分析方法通常采用监督的批处理模式学习光谱和标签之间的函数关系,模型的泛化能力差、训练时间复杂度高。极限学习机(Extreme Learning Machine, ELM)能够快速训练高维度、非线性数据,并获得泛化能力良好的学习器。因此,本文基于ELM算法,提出半监督在线序列ELM回归算法(SSOSELMR),用于解决半标记的在线NIR光谱序列的半监督在线建模问题。本文主要工作如下：建立半监督ELM回归模型。针对少量有标签而大量无标签的NIR光谱数据,在ELM监督学习的基础上,给出半监督ELM的建模方法和推导过程。通过评估标记置信度筛选可信的无标签样本,并利用ELM协同训练标记可信样本的标签,从而利用新标记的样本计算半监督ELM的输出权重。针对NIR光谱数据的在线连续性,进一步建立半监督在线序列ELM回归模型。基于在线序列ELM算法,给出半监督在线序列ELM回归的建模方法和推导过程。设置标记置信度的评估函数来筛选可信的无标签样本,并利用连续学习ELM协同训练标记可信的样本,从而利用新标记的样本计算半监督在线序列ELM的输出权重。本文通过几组NIR光谱数据来验证SSOSELMR算法的有效性。实验结果表明,在不同标记率下,SSOSELMR的测试误差相比OSELMR有所提高,SSOSELMR的训练速度相对COREG有所加快,说明了SSOSELMR能够对半标记在线NIR光谱序列建立半监督在线学习模型。Research of Semi-Supervised Online Sequential ELM Regression