[发明专利]一种用于复杂样品光谱的波长选择方法

说明书

技术领域

本发明属于分析化学领域的无损分析技术，具体涉及一种用于复杂样品光谱的波长选择方法。

背景技术

复杂样品由于基体复杂、组分繁多而成为分析化学及工业生产中极具挑战性的问题。光谱分析技术因其操作简便、检验快速和不需要辅助试剂等优点，为复杂样品分析提供了一种有力手段，已广泛应用于农业、石化、制药、食品、烟草等领域。然而，由于复杂样品光谱谱带重叠严重，须借助多元校正技术才能对其组分进行定量分析。

在光谱定量分析中，常用的多元校正方法有多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘回归(PLS)、人工神经网络(ANN)、支持向量回归(SVR)等。传统多元校正是在全波段光谱与目标组分之间建立模型。随着现代分析仪器的发展，光谱数据往往由成百上千个波长点组成，并非所有波长点都与目标组分相关。因此，为了提高模型的预测效果，需要在多元校正前进行波长选择。

美国Holland教授于1975年提出的遗传算法(GA)，通过模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，不断迭代最终选取最优个体，成为一种应用最为广泛的波长选择方法。但该方法存在收敛速度缓慢、易陷入局部最优和对初始种群的选择要求较高等缺陷(Y.W.Lin，B.C.Deng，Q.S.Xu，Y.H.Yun，Y.Z.Liang，The equivalence of partial least squares and principal component regression in the sufficient dimension reduction framework，Chemom.Intell.Lab.Syst.2016，150，58-64)。因此，需要发展快速、全局的智能优化方法。

萤火虫算法(FA)由剑桥大学Yang Xin-she于2009年提出的一种智能优化算法。FA方法具有容易实现、计算效率高、无需严格的连续和可微条件等优势，在交通路径规划(刘厂，董静，高峰，李刚，张振兴，一种基于多目标萤火虫算法的路径规划方法，中国发明专利，2012，CN201210251782.7)、电力系统优化(王昕，郑益慧，李立学，胡博，含分布式发电设备的智能配电网供电优化方法，中国发明专利，2016，CN201610755691.5)和故障诊断(黄新波，宋桐，王娅娜，李文君子，基于灰模糊萤火虫算法优化的变压器故障诊断方法，中国发明专利，2013，CN201310647912.3)等方面已有应用，但很少有研究将FA用于复杂样品光谱波长选择中。

发明内容

本发明的目的是针对上述存在的问题，提出一种基于FA的波长选择方法(如图1)，从而提高复杂样品定量分析的预测精度。

为实现本发明所提供的技术方案包括以下步骤：

1)收集一定数目的复杂样品作为分析对象，采集样品的光谱，并用常规分析方法测得每个样品中目标分析组分的含量。

2)按照一定的分组方式，将数据集划分为训练集和预测集。

3)将训练集的整个光谱范围划分为若干个子区间，萤火虫群体用0/1表示是否选择某段波长。

4)利用公式(1)、(2)和(3)将萤火虫群体离散化。

r_ij＝x_i-x_j(2)

其中，β₀表示最大吸引力，γ表示环境吸光度，r表示萤火虫之间距离，t表示算法的迭代次数，α表示常数，ε_j表示高斯分布。

5)依次优化因子数、波段数、种群数、环境吸光度和常数参数。

因子数的优化方法为：因子数取值范围为1～25，间隔为1，计算不同因子数下的交叉验证均方根误差(RMSECV)，通过蒙特卡罗交叉验证结合F检验确定PLS的最佳因子数。

波段数的优化方法为：将整个光谱区间划分为5～30个波段数，间隔为5，分别计算不同波段数下的预测均方根误差(RMSEP)。最小的RMSEP值对应的波段数为最佳波段数。

种群数的优化方法为：将种群数n划分为10～60个，间隔为10，计算不同种群数下的RMSEP值。最小的RMSEP值对应的种群数为最佳种群数。

环境吸光度的优化方法为：环境吸光度γ取值范围为0.1～1.0，间隔为0.1，计算不同环境吸光度下的RMSEP值。最小的RMSEP值对应的吸光度为最佳环境吸光度。