[發明專利]一種基于麻雀搜索算法優化核獨立分量的光譜數據降維方法

在審

• 申請號: 202010889158.4
• 申請日: 2020-08-28
• 公開（公告）號: CN112016624A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 何東健;高強
• 申請（專利權）人: 西北農林科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G16C20/20;G16C20/70
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 段俊濤

1.一種基于麻雀搜索算法優化核獨立分量的光譜數據降維方法，其特征在于，包括如下步驟：

步驟(1)，獲取被測樣本的近紅外光譜數據，獲得q個樣本在n個波段下的近紅外光譜數據，記原始光譜數據其中y_q,n表示第q個樣本在第n個波段的光譜數據；

步驟(2)，為核獨立分量分析方法選擇核函數，確定核參數優化問題并構建適應度函數其中ω為待優化參數，S_a(ω)表示光譜數據的類內離散度，S_b(ω)表示光譜數據的類間離散度；

步驟(3)，采用麻雀搜索算法，初始化麻雀種群，包括：設置麻雀種群的初始參數，生成麻雀種群初始位置矩陣和適應度矩陣；

步驟(4)，根據麻雀的捕食與反捕食行為，更新麻雀種群的最優位置和最優適應度值；

步驟(5)，取ω等于達到收斂條件的最優核參數矩陣δ，并將其應用于核函數；

步驟(6)，對光譜數據進行球化分解預處理，使輸入向量之間相互正交；

步驟(7)，求解獨立分量分析中的解混矩陣，分離出相互獨立的特征信息，實現光譜數據的有效降維。

2.根據權利要求1所述基于麻雀搜索算法優化核獨立分量的光譜數據降維方法，其特征在于，所述步驟(2)包括：

步驟(2a)，選擇滿足Mercer定理的半正定核函數，使得核矩陣只有非負特征值，確保構建的優化問題是凸的和解決方案是唯一的；

步驟(2b)，將高斯徑向基核函數參數δ記為待優化參數ω，根據費舍爾極小判別準則，建立適應度函數F(ω)，適應度函數F(ω)需隨著ω由小變大過程，快速下降并穩定收斂到一個全局最小值F(ω^*)。

3.根據權利要求2所述基于麻雀搜索算法優化核獨立分量的光譜數據降維方法，其特征在于，所述核函數為高斯徑向基核函數x表示輸入的光譜數據，z表示特征提取后的光譜數據。

4.根據權利要求1所述基于麻雀搜索算法優化核獨立分量的光譜數據降維方法，其特征在于，所述步驟(3)包括：

步驟(3a)，對應步驟(1)中的n個波段和q個樣本，設置n維空間，空間中麻雀的數量為q；設置最大迭代次數為iter_max；設置麻雀種群中探索者和跟隨者的比例分別為P_prod和P_scro；設置種群的安全閾值為ST，ST的取值范圍為[0,1]；

步驟(3b)，隨機生成麻雀的初始位置矩陣X，計算適應度矩陣Fx，其中即，初始位置矩陣X與原始光譜數據Y一一對應，x_q,n代表第q個麻雀在第n維空間中的位置，一一映射為原始光譜數據Y中第q個樣本在第n個波段的數據，函數f([x_q,1 x_q,2… …x_1,n])表示第q只麻雀在n維空間中的適應度值。

5.根據權利要求4所述基于麻雀搜索算法優化核獨立分量的光譜數據降維方法，其特征在于，所述P_prod＝20％，P_scro＝80％，ST＝0.8。