[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
• 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

本發(fā)明屬于光譜分析領(lǐng)域，尤其是涉及一種基于PLS?VIP?ACO算法的光譜波長選擇方法。所述方法結(jié)合了蟻群算法（ACO算法）與變量投影重要性系數(shù)（VIP系數(shù)）、偏最小二乘方法（PLS）；包括：在全波長段建立偏最小二乘模型（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迭代中，記錄每次迭代得到的最優(yōu)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。本方法能顯著提高光譜建模的穩(wěn)健性與精度。

技術(shù)領(lǐng)域

本發(fā)明涉及光譜分析領(lǐng)域，尤其是涉及一種基于PLS-VIP-ACO算法的光譜波長選擇方法。

背景技術(shù)

光譜分析技術(shù)作為一種快速無損的定量分析方法，已成功應(yīng)用于石油化工、食品、農(nóng)業(yè)、環(huán)保等領(lǐng)域。然而光譜檢測中獲得的原始譜圖往往高達上千個波長點，而且重疊嚴重，光譜信息冗余，特征吸收區(qū)域不明顯，造成后續(xù)分析模型的精度降低。為了提高模型預測精度，降低模型復雜度和計算速度，需要對波長進行優(yōu)選，選擇與待測樣本信息最相關(guān)的特征波長點用于模型的建立。

目前，關(guān)于光譜分析中波長選擇方法的研究，主要有相關(guān)系數(shù)法、基于間隔的波長選擇策略、無信息變量消除算法、蟻群算法等方法。相關(guān)系數(shù)法的局限性在于，只適用于光譜與樣本屬性相關(guān)度高的情況，若相關(guān)性都較低，則容易剔除有用信息或保留噪聲信息而使模型穩(wěn)定性降低；基于間隔的波長選擇策略，波長區(qū)間大小的選擇難以確定，且特征波長點可能只是單獨的點，而選擇出的波長段中可能含有無關(guān)的波長，并不能最大程度地消除無關(guān)波長；無信息變量消除算法采用對校正光譜矩陣人為產(chǎn)生一噪聲矩陣，消除信息小于噪聲變量的波長的方法進行特征波長點提取，但這種方法也存在一定的主觀性，并且噪聲矩陣的選擇影響著波長選擇的結(jié)果，最終波長選擇結(jié)果通常存在較多的冗余；蟻群算法在信息素初始化這一過程有效信息匱乏，隨機優(yōu)化導致模型不穩(wěn)定，作為迭代算法有收斂慢等缺陷，上述現(xiàn)有方法的局限性，影響了模型的穩(wěn)健性與精度。

發(fā)明內(nèi)容

本發(fā)明的目的在于，針對現(xiàn)有技術(shù)的不足，提出將蟻群算法(Ant ColonyOptimization，簡稱ACO算法)與變量投影重要性系數(shù)(Variable Importance in theProjection，簡稱VIP系數(shù))、偏最小二乘方法(Partial Least Squares，簡稱PLS)相結(jié)合，提供一種基于PLS-VIP-ACO算法的光譜波長選擇方法，以提高光譜建模的穩(wěn)健性與精度。

為此，本發(fā)明采用如下解決方案：

一種基于PLS-VIP-ACO算法的光譜波長選擇方法，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、揮發(fā)系數(shù)ρ；迭代次數(shù)K初始化為1；