[發(fā)明專利]一種基于PLS-VIP-ACO算法的光譜波長選擇方法

有效

• 申請?zhí)枺?/td>: 201611236928.5
• 申請日: 2016-12-28
• 公開（公告）號: CN106644983B
• 公開（公告）日: 2019-12-31
• 發(fā)明（設(shè)計）人: 盧建剛;劉彤
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G01N21/31
• 分類號: G01N21/31;G01N21/65
• 代理公司: 33100 浙江杭州金通專利事務(wù)所有限公司
• 代理人: 劉曉春

1.一種基于PLS-VIP-ACO算法的光譜波長選擇方法，其特征在于，所述基于PLS-VIP-ACO算法的光譜波長選擇方法包括：在全波長段建立PLS模型，計算每個波長變量的VIP系數(shù)并將得到的VIP系數(shù)作為ACO信息素的初始值；在每次ACO算法迭代中，記錄每次迭代得到的最優(yōu)PLS模型所對應(yīng)的波長點及其PLS系數(shù)絕對值，并與上一次迭代結(jié)果進行累加，同時考慮VIP系數(shù)的貢獻對ACO信息素進行更新，進入下一次的ACO算法迭代；迭代全部結(jié)束后統(tǒng)計所有波長點的累加PLS系數(shù)并按降序排序，記錄對應(yīng)的波長排列次序，然后采用反向剔除弱相關(guān)波長的策略獲得最終的最優(yōu)波長組合；具體步驟包括：

步驟(1)，參數(shù)初始化：將樣本劃分為校正集和預(yù)測集；校正集的光譜矩陣為Xs×p，光譜矩陣Xs×p具有s個樣本，全波長點有p個，校正集的樣本性質(zhì)矩陣為Ys×1；預(yù)測集的光譜矩陣為Xt×p，光譜矩陣Xt×p具有t個樣本，全波長點有p個，預(yù)測集的樣本性質(zhì)矩陣為Yt×1；設(shè)定最大迭代次數(shù)K_MAX，蟻群螞蟻個數(shù)m，最大選取波長數(shù)V_MAX，以及設(shè)定ACO信息素更新的顯著因子Q、ACO信息素衰減系數(shù)ρ；迭代次數(shù)K初始化為1；

步驟(2)，VIP系數(shù)計算：在校正集上建立全波長的PLS模型，根據(jù)PLS系數(shù)計算每個波長點的VIP系數(shù)，根據(jù)VIP系數(shù)能表征特征重要程度這一特性，將ACO信息素矩陣Phe(1×p)初始化為每個波長點的VIP系數(shù)；

步驟(3)，ACO算法迭代開始：當(dāng)K<K_MAX時，進入一次新的迭代過程；迭代開始時，首先初始化蟻群的路徑矩陣selected(m×V_MAX)，儲存每只螞蟻選取的V_MAX個波長點；

步驟(4)，蟻群隨機初始化：生成m個1到p之間的隨機數(shù)，作為m只螞蟻的路徑起點，即第一個被選擇的波長點，并儲存到selected(m×V_MAX)矩陣的第一列中，設(shè)定j為螞蟻已選的波長點，初始j＝1；

步驟(5)，蟻群選擇過程：對每只螞蟻，做以下運算：當(dāng)j<V_MAX時，找出螞蟻未走過的波長點集合to_visit((p-j)×1)；由ACO信息素矩陣Phe(1×p)計算每個波長被選中的概率p，根據(jù)概率矩陣P((p-j)×1)，用輪盤賭算法選出下一個被選中的波長點；j的值進行+1操作；

步驟(6)，重復(fù)步驟(4)-(5)直至j＝V_MAX；

步驟(7)，選取最優(yōu)螞蟻：分別對m個螞蟻選擇的波長點(1×V_MAX)在校正集建立PLS模型，采取留一交叉驗證的方法，得到相應(yīng)的RMSECV值；對比m個PLS模型的RMSECV值，選取RMSECV最小的PLS模型對應(yīng)的螞蟻為最優(yōu)螞蟻，其選中的波長組合為最優(yōu)波長組合，記錄結(jié)果，將對應(yīng)波長點的PLS系數(shù)累加儲存；

步驟(8)，更新ACO信息素：仿照真實生物界螞蟻的行為，更新ACO信息素；在步驟(7)中選出的最優(yōu)波長組合中，對應(yīng)波長點的ACO信息素得到加強，而未被選中的波長點，ACO信息素會以ACO信息素衰減系數(shù)ρ減少，更新的ACO信息素矩陣在下一次迭代中被應(yīng)用；令K＝K+1；記錄最優(yōu)結(jié)果對應(yīng)最優(yōu)模型的PLS系數(shù)，每個波長點的貢獻值累加對應(yīng)波長點的PLS系數(shù)絕對值；

步驟(9)，重復(fù)步驟(3)到步驟(8)，直至達(dá)到最大迭代次數(shù)K_MAX且最優(yōu)解收斂；得到最終每個波長點的累加PLS系數(shù)矩陣后，計算每個波長點的貢獻值，即歸一化的迭代累加PLS系數(shù)；得到貢獻值超過閾值的波長集合high_wave(1×g)后，按貢獻值從小到大排序，依次剔除貢獻值最小的波長點，用篩選出的波長組合進行建模，以交叉驗證標(biāo)準(zhǔn)偏差和預(yù)測標(biāo)準(zhǔn)偏差綜合指標(biāo)RMSECvP為模型評判標(biāo)準(zhǔn)，將RMSECvP最小的波長組合high_wave(1×(g-g’))作為最終的最優(yōu)波長組合；

所述步驟(9)中，交叉驗證標(biāo)準(zhǔn)偏差和預(yù)測標(biāo)準(zhǔn)偏差綜合指標(biāo)RMSECvP為RMSECV和RMSEP的組合指標(biāo)，指標(biāo)RMSECvP分別與RMSECV、RMSEP正相關(guān)，且RMSECvP＝(RMSECV+RMSEP)。

2.根據(jù)權(quán)利要求1所述的一種基于PLS-VIP-ACO算法的光譜波長選擇方法，其特征在于，所述步驟(1)中，所述最大迭代次數(shù)K_MAX的取值范圍為20到200之間。

3.根據(jù)權(quán)利要求1所述的一種基于PLS-VIP-ACO算法的光譜波長選擇方法，其特征在于，所述步驟(1)中，所述最大選取波長數(shù)V_MAX的取值范圍為20到400之間。