[發明專利]一種蟻群優化算法的近紅外光譜特征波長選擇方法

有效

• 申請號: 201310269615.X
• 申請日: 2013-06-28
• 公開（公告）號: CN103344600A
• 公開（公告）日: 2013-10-09
• 發明（設計）人: 彭彥昆;郭志明;王秀;湯修映;劉媛媛
• 申請（專利權）人: 中國農業大學
• 主分類號: G01N21/35
• 分類號: G01N21/35;G06F19/00
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩

技術領域

本發明涉及近紅外光譜分析技術領域，尤其涉及一種蟻群優化算法的近紅外光譜特征波長選擇方法。

背景技術

近紅外光譜區按ASTM定義是指波長在780～2526nm范圍內的電磁波，是分子振動光譜倍頻和合頻吸收譜，具有豐富的結構和組成信息，可用于碳氫有機物質的組成與性質的測量。與傳統分析技術相比，具有無損檢測、分析效率高、成本低、重現性好、樣品測量一般不需預處理、適合于現場檢測和在線分析等優勢。隨著近紅外光譜分析技術、化學計量學和近紅外光譜儀器的快速發展，近紅外光譜分析技術已經在國民經濟發展的各個領域得到廣泛應用。

借助先進的近紅外光譜儀，研究者可快速獲取大量光譜數據。但物質在該譜區的倍頻和合頻吸收信號弱，譜帶重疊，解析復雜；且由于儀器所采集的數據除樣品的自身信息外，還包含了其它無關信息和噪音，如電噪音、樣品背景等，這些信息在預處理中很難全部消除；其次有些光譜區域樣品的信息很弱，與樣品的組成或性質間相關程度不高；另外，同一樣本的光譜數據內部存在共線性關系，易產生數據冗余。如果將這些數據都參與建模，不但計算量大、模型復雜，而且精度也受到影響。因此，光譜特征變量優選方法成為提高建模質量的關鍵環節。

蟻群優化算法是人工智能或群體智能的新發展，具有分布計算、信息正反饋和啟發式搜索的特征，已較好的解決旅行商、通訊、網絡路由和定量構效關系等組合優化問題。ZL200810101081.9公開了一種求解旅行商問題的蟻群優化-微分進化融合方法；ZL201010176931.9公開了一種基于改進蟻群算法的圖像特征優化選擇方法與系統，應用于棉花異性纖維圖像的目標特征優；ZL200910050355.0公開了一種基于智能蟻群算法的遙感圖像水系網半自動的提取方法。這些都是蟻群優化算法用于離散數據或半離散數據的組合優化求解。農產品或食品的近紅外光譜是大量連續的數據，用于預測組分或性質時，特別是混合組分時，難以直接確定其對應的特征波長，需采用優化組合算法尋找光譜中最相關的信息。

發明內容

（一）要解決的技術問題

本發明的目的是提供一種蟻群優化算法的近紅外光譜特征波長選擇方法，避免因全譜建模或人工選擇波長的主觀性，有利于簡化近紅外光譜分析模型，提高近紅外光譜預測模型的魯棒性和適用性。

（二）技術方案

為解決上述問題，本發明提供一種蟻群優化算法的近紅外光譜特征波長選擇方法，包括以下步驟：A：先對近紅外光譜進行預處理，用于消除噪聲影響，并將所有樣本隨機劃分成校正集和驗證集；B：預處理后的近紅外光譜的每一個波長點作為蟻群優化算法的待選變量，采用蒙特卡洛-輪盤轉法賦值于待選變量的信息素權值，從變量集中選擇信息素權值高的變量，直到變量數達到最大變量數，用被選變量建立偏最小二乘分析模型，輸出均方根誤差；C：未達到最大迭代次數時，以最小輸出均方根誤差的變換函數更新信息素向量，再次進行變量選擇，以前后兩階段的被選變量一起建立偏最小二乘模型；D：達到最大迭代次數后，所有被選擇的變量集合經概率閾值分選，將高概率變量作為偏最小二乘法的輸入進行建模，各變量協同作用，輸出該次循環的最優變量組合和均方根誤差；E：達到最大循環次數后，對各次循環的建模結果進行比較，選擇最優的變量組合，即近紅外光譜對應某一組分或性質的特征波長。

優選地，所述蟻群優化算法選擇特征變量的具體步驟如下：（1）近紅外光譜波長點的信息素向量為τ_(n-1)時，已選擇變量組v₀；（2）達到最大變量數時，建立偏最小二乘模型，以模型的均方根誤差計算目標函數F；（3）未達到最大迭代次數時，目標函數F和信息素衰減系數ρ來更新信息素向量τ_(n)，再次進行蒙特卡羅概率選擇，并重復步驟（1）和（2）；（4）達到設定迭代次數后，開始循環運算，重復步驟（1）～（3）；（5）按照誤差最小原則，比較各次循環的所得模型的最小均方根誤差，獲取近紅外光譜最優特征波長。

優選地，所述目標函數設置為F=Q/(1+RMSE_min)，其中，y_i為樣本組分或性質的實測值，為預測值，顯著性因子Q為常數，用于調整目標函數的收斂效度。

（三）有益效果