[发明专利]基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法

说明书

本发明涉及基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法，属于近红外光谱应用技术领域，包括：对阻燃塑料近红外光谱的原始数据集进行预处理，并按照7∶3的比例随机分为训练集和测试集；利用SVM算法建立阻燃塑料近红外光谱的分类模型；利用训练集结合MPA‑HBA算法优化SVM模型的参数c和g；选取最优的SVM参数构建模型，对测试集数据进行分类并判断分类结果的正确率。本发明采用近红外光谱检测技术结合寻优算法和分类算法在阻燃塑料分类检测领域的应用填补了我国在工业上阻燃塑料快速无损检测的空白，具有检测速度快、检测准确率高、相较传统检测无污染等优点。

技术领域

本发明涉及基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法，属于近红外光谱应用技术领域。

背景技术

传统的阻燃塑料分类检测方法为化学分析法，需要对样品进行预处理，由于检测等待时间较长且检测过程使用化学试剂，会对样品造成破坏，浪费样品，造成环境污染，因此急需开发一种可以代替传统检测方法的新型检测方法。

近红外光谱检测技术是近年来发展最快的无损检测技术，目前被广泛应用于各种行业，具有检测快速、不需要预处理样品、成本低以及不会对样品产生损害的特性。蜜獾优化算法(HBA)作为一种新型群体智能优化算法，主要模拟了自然界中蜜獾捕食蜂蜜的行为，该算法具有参数少、全局搜索性能强、搜索速度快等优点。海洋捕食者优化算法(MPA)是模拟海洋中捕食者的捕食动作而提出的一种智能优化算法，该算法有较强的跳出局部最优能力。支持向量机(SVM)是一种基于统计学理论的机器学习方法，在处理非线性和高维度样本的分类问题有广泛的应用。

发明内容

本发明的目的是提供一种基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法，能够快速高效地对阻燃塑料的种类进行区分，对于工业规模的阻燃塑料分类有着重要的作用。

为了实现上述目的，本发明采用的技术方案是：

基于改进蜜獾算法结合近红外光谱的阻燃塑料分类方法，包括以下步骤：

步骤1：对阻燃塑料近红外光谱的原始数据集进行预处理，并按照7∶3的比例随机分为训练集和测试集；

步骤2：利用SVM算法建立阻燃塑料近红外光谱的分类模型；

步骤3：利用训练集结合MPA-HBA算法优化SVM模型的参数c和g；

步骤4：选取最优的SVM参数构建MPA-HBA-SVM模型，对测试集数据进行分类并判断分类结果的正确率。

本发明技术方案的进一步改进在于：所述步骤1中对阻燃塑料近红外光谱的原始数据集进行预处理为对阻燃塑料近红外光谱的原始数据进行滤波、归一化、标准正态变量变换和基线校正。

本发明技术方案的进一步改进在于：所述步骤3具体包括以下步骤：

步骤3.1：设定MPA-HBA算法模型的种群初始化和MPA-HBA算法的寻优上下边界、种群数、迭代次数和选择维度等参数；

步骤3.2：定义MPA-HBA算法的搜索强度和更新密度因子；

步骤3.3：定义MPA-HBA算法的搜索方式；

步骤3.4：为MPA-HBA的搜索过程添加FADs效应或涡流效应；

步骤3.5：随着迭代次数增多，MPA-HBA算法种群会跟随向鸟直达猎物位置；

步骤3.6：选取训练样本的分类错误率作为MPA-HBA算法的适应度函数来计算每个蜜獾个体的适应度值。

本发明技术方案的进一步改进在于：所述步骤3.1具体为：

对种群进行初始化，定义种群边界最大值为ub，最小值为lb，种群个数为N，迭代次数为Tmax，维度为dim，X为初始化的随机种群样本，初始化公式为：