[发明专利]基于离散多重宇宙优化算法的红外光谱波长选择方法

说明书

技术领域

本发明涉及红外光谱波长选择技术领域，更具体而言，涉及一种基于离散多重宇宙优化算法的红外光谱波长选择方法。

背景技术

红外光谱分析是一种新兴的分析技术，由于它具有快速、无损和无污染等优点，在农业、化工和环境监测等领域有着广泛的应用。但是，红外光谱通常具有波长点多、吸收峰重叠、波长点之间存在严重的共线性关系等特点，给后续的定性与定量分析造成困难。因此，研究波长选择方法，对于简化模型、提高模型的预测能力和鲁棒性具有重要的实际意义。

2015年2月，SeyedaliMirjalili等人受多重宇宙理论启发，提出了多重宇宙优化(Multi-verseOptimizer,MVO)算法并发表在NeuralComput&Applic杂志上。该算法引入多重宇宙理论中的白洞、黑洞和虫洞等概念，实现传统群优化算法搜索过程中的全局探测(exploration)和局部搜索(exploitation)。在MVO算法中，一方面利用白洞和黑洞两个概念来实现在整个解空间中的探测；另一方面利用虫洞的概念来实现解空间中的局部搜索。假设解空间中的每个潜在可行解为一个宇宙，解空间中的每个变量对应宇宙中的一个星体。另外，假设每个潜在可行解(宇宙)存在一个膨胀速度，该膨胀速度与潜在可行解对应的适应度函数值呈正比。在MVO算法的优化过程中，各个宇宙应该遵循以下规则：

(1)宇宙的膨胀速度越大，其含有白洞的概率越高；

(2)宇宙的膨胀速度越大，其含有黑洞的概率越低；

(3)膨胀速度大的宇宙趋向于通过白洞向外发送星体；

(4)膨胀速度小的宇宙趋向于通过黑洞吸收外面更多的星体；

(5)无论膨胀速度的大小，所有宇宙均有可能通过虫洞产生朝向最优宇宙的随机移动。

然而，该算法仅适用于解决连续变量的优化问题，不适用于解决离散变量的优化问题。因此，该算法无法直接应用于红外光谱的波长选择领域。为此，本专利提出一种离散多重宇宙优化(DiscreteMVO,DMVO)算法，并将其应用于解决红外光谱的波长选择问题。

发明内容

针对现有的多重宇宙优化算法不适用于解决离散变量的优化问题，本发明提出一种离散型的多重宇宙优化算法，并将其应用于红外光谱的波长选择领域。该方法首先利用数学语言将红外光谱的波长选择问题描述为一个多变量的离散优化问题，即用“1”或“0”分别表示对应的波长是否被选中；其次，利用多重宇宙优化算法进行搜索求解，与现有的连续型多重宇宙优化算法不同的是，需要在迭代过程中对新产生的个体(潜在可行解)进行离散化处理。

为了解决上述技术问题，本发明所采用的技术方案为：

假设有N个样品，利用光谱仪扫描出的红外光谱信号为对应的待分析组分含量为其中，P为红外光谱的波长点数，一般情况下N＜＜P。

由化学计量学原理可得，待分析组分的含量预测模型可以表示为

Y＝Xb+ε(1)

其中，为待拟合的回归系数；为噪声误差。

将红外光谱的特征选择问题映射为一个目标函数的优化问题，具体的步骤如下：

(1)将整个数据集划分为两部分：训练集和验证集。训练集用于创建回归模型；验证集用于构建离散多重宇宙优化(DMVO)算法的适应度函数。

(2)将整个光谱范围划分为若干个子区间，整个光谱范围用一串二进制码表示，对应子区间的选择与否用“1”与“0”表示。

(3)随机产生一定规模的初始化种群，针对每个个体，先将其中编码为“1”对应的子区间光谱提取出来，并利用训练集创建回归模型；接着计算验证集的预测结果并选取相关的评价指标作为该个体对应的适应度函数值。

(4)利用多重宇宙优化(MVO)算法进行迭代优化，以产生新的种群。

(5)在每次迭代过程中，需要对新产生的个体进行离散化处理。

(6)计算新产生的种群中每个个体的适应度函数值，并对相关的参数值进行更新。

(7)判断是否满足迭代停止条件，若满足，则退出，输出最优值；否则，返回步骤(4)。

上述步骤(1)中所述的回归模型可以采用线性方法(多元逐步回归、PLS等)，也可以采用非线性方法(神经网络、支持向量机、极限学习机等)建立。

上述步骤(2)中所述的子区间采用均匀或非均匀划分方式均可以。