[發(fā)明專利]基于離散多重宇宙優(yōu)化算法的紅外光譜波長選擇方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201510870796.0
• 申請(qǐng)日: 2015-12-02
• 公開（公告）號(hào): CN105445215A
• 公開（公告）日: 2016-03-30
• 發(fā)明（設(shè)計(jì)）人: 陳媛媛;張瑞;景寧;陳友華;李晉華;王志斌
• 申請(qǐng)（專利權(quán)）人: 中北大學(xué)
• 主分類號(hào): G01N21/35
• 分類號(hào): G01N21/35;G06F17/50
• 代理公司: 北京志霖恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11435
• 代理人: 申紹中

技術(shù)領(lǐng)域

本發(fā)明涉及紅外光譜波長選擇技術(shù)領(lǐng)域，更具體而言，涉及一種基于離散多重宇宙優(yōu)化算法的紅外光譜波長選擇方法。

背景技術(shù)

紅外光譜分析是一種新興的分析技術(shù)，由于它具有快速、無損和無污染等優(yōu)點(diǎn)，在農(nóng)業(yè)、化工和環(huán)境監(jiān)測等領(lǐng)域有著廣泛的應(yīng)用。但是，紅外光譜通常具有波長點(diǎn)多、吸收峰重疊、波長點(diǎn)之間存在嚴(yán)重的共線性關(guān)系等特點(diǎn)，給后續(xù)的定性與定量分析造成困難。因此，研究波長選擇方法，對(duì)于簡化模型、提高模型的預(yù)測能力和魯棒性具有重要的實(shí)際意義。

2015年2月，SeyedaliMirjalili等人受多重宇宙理論啟發(fā)，提出了多重宇宙優(yōu)化(Multi-verseOptimizer,MVO)算法并發(fā)表在NeuralComput&Applic雜志上。該算法引入多重宇宙理論中的白洞、黑洞和蟲洞等概念，實(shí)現(xiàn)傳統(tǒng)群優(yōu)化算法搜索過程中的全局探測(exploration)和局部搜索(exploitation)。在MVO算法中，一方面利用白洞和黑洞兩個(gè)概念來實(shí)現(xiàn)在整個(gè)解空間中的探測；另一方面利用蟲洞的概念來實(shí)現(xiàn)解空間中的局部搜索。假設(shè)解空間中的每個(gè)潛在可行解為一個(gè)宇宙，解空間中的每個(gè)變量對(duì)應(yīng)宇宙中的一個(gè)星體。另外，假設(shè)每個(gè)潛在可行解(宇宙)存在一個(gè)膨脹速度，該膨脹速度與潛在可行解對(duì)應(yīng)的適應(yīng)度函數(shù)值呈正比。在MVO算法的優(yōu)化過程中，各個(gè)宇宙應(yīng)該遵循以下規(guī)則：

(1)宇宙的膨脹速度越大，其含有白洞的概率越高；

(2)宇宙的膨脹速度越大，其含有黑洞的概率越低；

(3)膨脹速度大的宇宙趨向于通過白洞向外發(fā)送星體；

(4)膨脹速度小的宇宙趨向于通過黑洞吸收外面更多的星體；

(5)無論膨脹速度的大小，所有宇宙均有可能通過蟲洞產(chǎn)生朝向最優(yōu)宇宙的隨機(jī)移動(dòng)。

然而，該算法僅適用于解決連續(xù)變量的優(yōu)化問題，不適用于解決離散變量的優(yōu)化問題。因此，該算法無法直接應(yīng)用于紅外光譜的波長選擇領(lǐng)域。為此，本專利提出一種離散多重宇宙優(yōu)化(DiscreteMVO,DMVO)算法，并將其應(yīng)用于解決紅外光譜的波長選擇問題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有的多重宇宙優(yōu)化算法不適用于解決離散變量的優(yōu)化問題，本發(fā)明提出一種離散型的多重宇宙優(yōu)化算法，并將其應(yīng)用于紅外光譜的波長選擇領(lǐng)域。該方法首先利用數(shù)學(xué)語言將紅外光譜的波長選擇問題描述為一個(gè)多變量的離散優(yōu)化問題，即用“1”或“0”分別表示對(duì)應(yīng)的波長是否被選中；其次，利用多重宇宙優(yōu)化算法進(jìn)行搜索求解，與現(xiàn)有的連續(xù)型多重宇宙優(yōu)化算法不同的是，需要在迭代過程中對(duì)新產(chǎn)生的個(gè)體(潛在可行解)進(jìn)行離散化處理。

為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案為：

假設(shè)有N個(gè)樣品，利用光譜儀掃描出的紅外光譜信號(hào)為對(duì)應(yīng)的待分析組分含量為其中，P為紅外光譜的波長點(diǎn)數(shù)，一般情況下N＜＜P。

由化學(xué)計(jì)量學(xué)原理可得，待分析組分的含量預(yù)測模型可以表示為

Y＝Xb+ε(1)

其中，為待擬合的回歸系數(shù)；為噪聲誤差。

將紅外光譜的特征選擇問題映射為一個(gè)目標(biāo)函數(shù)的優(yōu)化問題，具體的步驟如下：

(1)將整個(gè)數(shù)據(jù)集劃分為兩部分：訓(xùn)練集和驗(yàn)證集。訓(xùn)練集用于創(chuàng)建回歸模型；驗(yàn)證集用于構(gòu)建離散多重宇宙優(yōu)化(DMVO)算法的適應(yīng)度函數(shù)。

(2)將整個(gè)光譜范圍劃分為若干個(gè)子區(qū)間，整個(gè)光譜范圍用一串二進(jìn)制碼表示，對(duì)應(yīng)子區(qū)間的選擇與否用“1”與“0”表示。

(3)隨機(jī)產(chǎn)生一定規(guī)模的初始化種群，針對(duì)每個(gè)個(gè)體，先將其中編碼為“1”對(duì)應(yīng)的子區(qū)間光譜提取出來，并利用訓(xùn)練集創(chuàng)建回歸模型；接著計(jì)算驗(yàn)證集的預(yù)測結(jié)果并選取相關(guān)的評(píng)價(jià)指標(biāo)作為該個(gè)體對(duì)應(yīng)的適應(yīng)度函數(shù)值。

(4)利用多重宇宙優(yōu)化(MVO)算法進(jìn)行迭代優(yōu)化，以產(chǎn)生新的種群。

(5)在每次迭代過程中，需要對(duì)新產(chǎn)生的個(gè)體進(jìn)行離散化處理。

(6)計(jì)算新產(chǎn)生的種群中每個(gè)個(gè)體的適應(yīng)度函數(shù)值，并對(duì)相關(guān)的參數(shù)值進(jìn)行更新。

(7)判斷是否滿足迭代停止條件，若滿足，則退出，輸出最優(yōu)值；否則，返回步驟(4)。

上述步驟(1)中所述的回歸模型可以采用線性方法(多元逐步回歸、PLS等)，也可以采用非線性方法(神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)等)建立。

上述步驟(2)中所述的子區(qū)間采用均勻或非均勻劃分方式均可以。