[发明专利]一种蚁群优化算法的近红外光谱特征波长选择方法

说明书

技术领域

本发明涉及近红外光谱分析技术领域，尤其涉及一种蚁群优化算法的近红外光谱特征波长选择方法。

背景技术

近红外光谱区按ASTM定义是指波长在780～2526nm范围内的电磁波，是分子振动光谱倍频和合频吸收谱，具有丰富的结构和组成信息，可用于碳氢有机物质的组成与性质的测量。与传统分析技术相比，具有无损检测、分析效率高、成本低、重现性好、样品测量一般不需预处理、适合于现场检测和在线分析等优势。随着近红外光谱分析技术、化学计量学和近红外光谱仪器的快速发展，近红外光谱分析技术已经在国民经济发展的各个领域得到广泛应用。

借助先进的近红外光谱仪，研究者可快速获取大量光谱数据。但物质在该谱区的倍频和合频吸收信号弱，谱带重叠，解析复杂；且由于仪器所采集的数据除样品的自身信息外，还包含了其它无关信息和噪音，如电噪音、样品背景等，这些信息在预处理中很难全部消除；其次有些光谱区域样品的信息很弱，与样品的组成或性质间相关程度不高；另外，同一样本的光谱数据内部存在共线性关系，易产生数据冗余。如果将这些数据都参与建模，不但计算量大、模型复杂，而且精度也受到影响。因此，光谱特征变量优选方法成为提高建模质量的关键环节。

蚁群优化算法是人工智能或群体智能的新发展，具有分布计算、信息正反馈和启发式搜索的特征，已较好的解决旅行商、通讯、网络路由和定量构效关系等组合优化问题。ZL200810101081.9公开了一种求解旅行商问题的蚁群优化-微分进化融合方法；ZL201010176931.9公开了一种基于改进蚁群算法的图像特征优化选择方法与系统，应用于棉花异性纤维图像的目标特征优；ZL200910050355.0公开了一种基于智能蚁群算法的遥感图像水系网半自动的提取方法。这些都是蚁群优化算法用于离散数据或半离散数据的组合优化求解。农产品或食品的近红外光谱是大量连续的数据，用于预测组分或性质时，特别是混合组分时，难以直接确定其对应的特征波长，需采用优化组合算法寻找光谱中最相关的信息。

发明内容

（一）要解决的技术问题

本发明的目的是提供一种蚁群优化算法的近红外光谱特征波长选择方法，避免因全谱建模或人工选择波长的主观性，有利于简化近红外光谱分析模型，提高近红外光谱预测模型的鲁棒性和适用性。

（二）技术方案

为解决上述问题，本发明提供一种蚁群优化算法的近红外光谱特征波长选择方法，包括以下步骤：A：先对近红外光谱进行预处理，用于消除噪声影响，并将所有样本随机划分成校正集和验证集；B：预处理后的近红外光谱的每一个波长点作为蚁群优化算法的待选变量，采用蒙特卡洛-轮盘转法赋值于待选变量的信息素权值，从变量集中选择信息素权值高的变量，直到变量数达到最大变量数，用被选变量建立偏最小二乘分析模型，输出均方根误差；C：未达到最大迭代次数时，以最小输出均方根误差的变换函数更新信息素向量，再次进行变量选择，以前后两阶段的被选变量一起建立偏最小二乘模型；D：达到最大迭代次数后，所有被选择的变量集合经概率阈值分选，将高概率变量作为偏最小二乘法的输入进行建模，各变量协同作用，输出该次循环的最优变量组合和均方根误差；E：达到最大循环次数后，对各次循环的建模结果进行比较，选择最优的变量组合，即近红外光谱对应某一组分或性质的特征波长。

优选地，所述蚁群优化算法选择特征变量的具体步骤如下：（1）近红外光谱波长点的信息素向量为τ_(n-1)时，已选择变量组v₀；（2）达到最大变量数时，建立偏最小二乘模型，以模型的均方根误差计算目标函数F；（3）未达到最大迭代次数时，目标函数F和信息素衰减系数ρ来更新信息素向量τ_(n)，再次进行蒙特卡罗概率选择，并重复步骤（1）和（2）；（4）达到设定迭代次数后，开始循环运算，重复步骤（1）～（3）；（5）按照误差最小原则，比较各次循环的所得模型的最小均方根误差，获取近红外光谱最优特征波长。

优选地，所述目标函数设置为F=Q/(1+RMSE_min)，其中，y_i为样本组分或性质的实测值，为预测值，显著性因子Q为常数，用于调整目标函数的收敛效度。

（三）有益效果