[发明专利]基于模拟退火-遗传算法近红外光谱特征子区间选择方法

说明书

技术领域

本发明涉及一种对农产品、食品品质进行分析的近红外光谱特征子区间的选择方法，特指一种基于模拟退火-遗传算法的近红外光谱特征子区间的选择方法。

背景技术

近红外光谱因分析速度快、效率高等特点越来越广泛地运用到农产品、食品品质分析中，但近红外光谱也存在一定的不足，如背景复杂、信息强度低，谱峰重叠等，难以用常规的谱图解析方法解析，因此，如何有效地从大量近红外光谱数据中提取特征信息成为本领域研究的重点。

样品在近红外光谱的某个或者某几个波段发生特征吸收，决定了高信息量波数点邻近的波数点具有较高的信息量，即近红外光谱数据具有一定的连续相关性。根据近红外光谱数据的这一特点，兼顾减少波长选择算法计算量，提高算法效率等要求，通常将近红外全光谱分成若干个子区间，以区间为单位进行波长选择。经典光谱区间选择算法有间隔偏最小二乘法，该算法将全光谱分成若干个子区间，分别计算各个子区间的交互验证均方根误差值RMSECV(Root Mean Square of Cross Validation)，将交换验证均方根误差最小的一个区间作为建模区间。间隔偏最小二乘算法的衍生算法有联合区间偏最小二乘法、向前/向后区间偏最小二乘算法、移动窗口偏最小二乘法等，同经典区间偏最小二乘算法相比，衍生算法不仅考察单一区间，还有几个区间的联合。这些算法虽然能提取光谱的特征信息，但划分子区间的过程具有一定的主观性。

遗传算法是20世纪70年代兴起的一门新兴学科，它基于对生物界自然选择和自然遗传机制的模拟来解决实际问题，是一种具有高度的并行、随机和自适应性的搜索算法。近年来有学者将遗传算法同经典间隔偏最小二乘算法相结合，用于选择近红外光谱的特征子区间，模拟自然界遗传变异等自然进化过程，求解特征子区间的最优组合，但仍然存在一些不足，如划分子区间往往依靠经验进行，具有一定的主观性；遗传算法容易发生过早收敛而陷入局部最优解，不能确保得到全局最优近似解等。

模拟退火算法是基于Mote Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理退火过程与组合优化之间的相似性。模拟退火算法由一较高初温开始，利用具有概率突跳性的Metropolis抽样策略在待选解组合中进行随机搜索，伴随温度不断下降重复抽样过程，最终得到问题的全局最优解，适用解决大规模组合优化问题。

发明内容

为克服现有技术中近红外光谱划分子区间具有一定主观性的不足，确保得到全局最优近似解，本发明提出了一种基于模拟退火-遗传算法近红外光谱特征子区间选择方法，将模拟退火算法中的核心Metropolis接受准则引入遗传算法，在保证遗传算法执行效率的基础上防止过早的陷入局部最优解，从而得到近红外光谱特征子区间的最优组合。

本发明采用的技术方案是：先对近红外光谱进行预处理，再对预处理后的近红外光谱动态划分子区间，将模拟退火算法中的Metropolis准则引入遗传算法中的基因交换和基因选择算子，使用模拟退火-遗传算法选择最优特征子区间，最后判断最佳子区间划分方式和最优特征子区间组合，对入选的最优特征子区间建立PLS模型。

本发明采用上述技术方案后得到以下效果：

1、将模拟退火算法中的Metropolis准则引入交换算子和变异算子，通过改进后的变异和交换算子产生高质量的子代个体，既提高了群体总体的适应度水平，又为种群进化提供了足够动力。

2、Metropolis准则的引入有效地解决了传统遗传算法过早收敛、陷入局部最优解的不足；动态划分光谱子区间，有效地避免了建模过程中依靠经验人工指定光谱子区间总数带来的不足。

3、基于模拟退火-遗传算法的近红外光谱特征子区间选择方法为快速得到精度高、预测能力强的光谱模型打下了坚实的基础。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细说明。

图1是本发明流程图；

图2是Metropolis接受准则示意图；

图3是引入Metropolis准则的交换算子示意图；

图4是引入Metropolis准则的变异算子示意图；

图5是模拟退火-遗传算法特征子区间选择结果图；

图6是模拟退火-遗传算法与传统遗传算法建模效果比较结果图；

图7是标准正交变换预处理后的黄瓜叶叶黄素近红外光谱图。

具体实施方式