[發(fā)明專利]基于粒子群算法思想和模擬退火策略的光譜特征波長(zhǎng)選擇方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210867437.X
• 申請(qǐng)日: 2022-07-22
• 公開（公告）號(hào): CN115114838B
• 公開（公告）日: 2023-02-07
• 發(fā)明（設(shè)計(jì)）人: 劉金明;許晶;紀(jì)玉玲;曾昌浩;張東杰;孫勇
• 申請(qǐng)（專利權(quán)）人: 黑龍江八一農(nóng)墾大學(xué)
• 主分類號(hào): G06F30/25
• 分類號(hào): G06F30/25;G06F17/18;G06F111/06;G06F111/08
• 代理公司: 大慶市遠(yuǎn)東專利商標(biāo)事務(wù)所(普通合伙) 23202
• 代理人: 周英華

本發(fā)明公開了一種基于粒子群算法思想和模擬退火策略的光譜特征波長(zhǎng)選擇方法，以光譜數(shù)據(jù)波長(zhǎng)變量個(gè)數(shù)為碼長(zhǎng)進(jìn)行粒子群初始化和溫度初始化，使用粒子中值為“1”二進(jìn)制位對(duì)應(yīng)的光譜波長(zhǎng)變量建立偏最小二乘回歸模型，以交叉驗(yàn)證均方根誤差為適應(yīng)度函數(shù)，選出每個(gè)粒子的個(gè)體歷史最優(yōu)和整個(gè)種群的群體歷史最優(yōu)，計(jì)算每個(gè)粒子中值為“1”二進(jìn)制位的移動(dòng)速度并更新位置，對(duì)更新位置的粒子生成擾動(dòng)解，最終采用交叉驗(yàn)證均方根誤差最小的粒子作為群體歷史最優(yōu)位置，該粒子值為“1”二進(jìn)制位的編號(hào)即為優(yōu)選的光譜特征波長(zhǎng)變量。本發(fā)明實(shí)現(xiàn)了粒子值為“1”二進(jìn)制位的指導(dǎo)性尋優(yōu)，融合了模擬退火策略，具有高效的特征波長(zhǎng)選擇能力。

技術(shù)領(lǐng)域

本發(fā)明涉及光譜分析領(lǐng)域，尤其涉及一種基于粒子群算法思想和模擬退火策略的光譜特征波長(zhǎng)選擇方法。

背景技術(shù)

光譜分析技術(shù)具有無(wú)損、快速、低成本等優(yōu)勢(shì)，通過(guò)快速獲取大量、準(zhǔn)確的光譜數(shù)據(jù)結(jié)合已經(jīng)建立的定量校正模型即可實(shí)現(xiàn)樣品理化指標(biāo)的快速檢測(cè)。但是在采集光譜數(shù)據(jù)時(shí)，由于采集的光譜數(shù)據(jù)量很大，光譜數(shù)據(jù)中含有的樣品背景、高頻噪聲等無(wú)關(guān)信息很難使用預(yù)處理方法完全消除，以采集的光譜全部波長(zhǎng)變量建模時(shí)，計(jì)算量大，波長(zhǎng)冗余嚴(yán)重，不僅增加了模型的復(fù)雜程度，還嚴(yán)重影響了模型的預(yù)測(cè)精度。因此，有必要通過(guò)特征波長(zhǎng)優(yōu)選，有效消除光譜中不相干和共線性的波長(zhǎng)變量對(duì)建模精度和效率的影響。

目前國(guó)內(nèi)外常用的特征波長(zhǎng)選擇方法有區(qū)間偏最小二乘法、反向區(qū)間偏最小二乘法、連續(xù)投影算法、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法等，同時(shí)遺傳算法、模擬退火算法、隨機(jī)蛙跳算法等智能優(yōu)化算法在光譜特征波長(zhǎng)選擇方面得到了有效應(yīng)用。相比于其它智能優(yōu)化算法，粒子群算法具有實(shí)現(xiàn)簡(jiǎn)單、收斂迅速、參數(shù)調(diào)整少、穩(wěn)定性高等優(yōu)點(diǎn)，在特征波長(zhǎng)選擇方面應(yīng)用越來(lái)越廣泛。然而用于求解波長(zhǎng)選擇問(wèn)題的二進(jìn)制粒子群算法雖然具有很強(qiáng)的搜索能力，但隨著算法迭代搜索次數(shù)的增加粒子將迅速失去多樣性，導(dǎo)致算法喪失全局搜索能力，不能收斂于全局最優(yōu)解。因此，亟待對(duì)二進(jìn)制粒子群算法進(jìn)行改進(jìn)，并研究改進(jìn)后的算法在光譜特征波長(zhǎng)選擇方面的應(yīng)用效果具有重要意義。

發(fā)明內(nèi)容

為了克服現(xiàn)有二進(jìn)制粒子群算法在光譜波長(zhǎng)選擇過(guò)程中容易出現(xiàn)早熟收斂的問(wèn)題，本發(fā)明提出了一種基于粒子群算法思想和模擬退火策略的光譜特征波長(zhǎng)選擇方法，基于粒子群算法思想實(shí)現(xiàn)了粒子值為“1”二進(jìn)制位的指導(dǎo)性進(jìn)化，融合了模擬退火策略進(jìn)行擾動(dòng)解的Metropolis選擇復(fù)制，充分利用算法強(qiáng)大搜索能力的同時(shí)有效避免早熟收斂，進(jìn)而實(shí)現(xiàn)光譜特征波長(zhǎng)的高效優(yōu)選。

本發(fā)明采用的技術(shù)方案包括以下步驟：

(1)輸入光譜數(shù)據(jù)集和化學(xué)濃度數(shù)據(jù)，以Savitzky-Golay平滑、標(biāo)準(zhǔn)正態(tài)變量變換、多元散射校正、一階導(dǎo)數(shù)及其組合對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，以校正集樣本光譜數(shù)據(jù)建立全譜下的偏最小二乘回歸模型，通過(guò)對(duì)比交叉驗(yàn)證均方根誤差最小確定光譜數(shù)據(jù)的最佳預(yù)處理方法；

(2)以預(yù)處理后的光譜數(shù)據(jù)為波長(zhǎng)選擇對(duì)象，依據(jù)光譜數(shù)據(jù)特點(diǎn)進(jìn)行粒子種群的初始化和溫度初始化。隨機(jī)產(chǎn)生N個(gè)M長(zhǎng)的二進(jìn)制序列，N為種群規(guī)模，M為預(yù)處理后的光譜波長(zhǎng)變量個(gè)數(shù)。一個(gè)二進(jìn)制序列為一個(gè)粒子，序列內(nèi)所有值為“1”二進(jìn)制位的組合作為該粒子所選中的特征波長(zhǎng)。初始化每個(gè)粒子的初始整體慣性移動(dòng)速度、個(gè)體歷史最優(yōu)適應(yīng)度函數(shù)值以及群體歷史最優(yōu)適應(yīng)度函數(shù)值；

(3)對(duì)每一代種群中的每個(gè)粒子，將其二進(jìn)制序列中值為“1”二進(jìn)制位對(duì)應(yīng)的波長(zhǎng)選中參與建模運(yùn)算，使用K折交叉驗(yàn)證計(jì)算其偏最小二乘回歸模型的交叉驗(yàn)證均方根誤差，并將其作為本算法的適應(yīng)度函數(shù)值；

(4)每個(gè)粒子各自將該次計(jì)算得到的適應(yīng)度函數(shù)值和個(gè)體歷史最優(yōu)值比較，將數(shù)值較小值更新為該粒子的個(gè)體歷史最優(yōu)適應(yīng)度函數(shù)值，將該值所對(duì)應(yīng)的粒子位置記錄為個(gè)體歷史最優(yōu)位置。將每個(gè)粒子的個(gè)體歷史最優(yōu)適應(yīng)度函數(shù)值和群體歷史最優(yōu)適應(yīng)度函數(shù)值進(jìn)行比較，將數(shù)值最小值更新為群體歷史最優(yōu)適應(yīng)度函數(shù)值，將該值所對(duì)應(yīng)的粒子位置記錄為群體歷史最優(yōu)位置；