基于粒子群算法的近红外光谱波长选择方法

摘要

一种基于粒子群算法的近红外光谱波长选择方法，采集样本的近红外光谱信号，构成现场历史数据库，数据库包含有多个波长变量，将粒子群算法与偏最小二乘法(partial linear squares，PIS)相结合，对近红外光谱的各个波长进行选择，从而使得所建立的校正模型具有更强的预测能力，实现对物质成分浓度的精确检测与分析，为近红外光谱分析技术在各工业领域的应用提供更好的理论基础，具有重要的现实意义。

主权项

一种基于粒子群算法的近红外光谱波长选择方法，其特征在于：步骤如下：步骤1：首先采集样本的近红外光谱信号，构成现场历史数据库D，数据库D的测量光谱为近红外光谱；数据库D包括有N个波长变量；步骤2：近红外光谱波长选择方法使用蒙特卡洛Monte‑Carlo,MC方法，按照预设比例R:1将数据库D随机划分为训练集和验证集；步骤3：近红外光谱波长选择方法初始化训练集，随机选取Num个粒子，每个粒子代表一个数据对象，即每个粒子是一个N维向量，Num即为粒子群大小；将这Num个粒子的飞行速度进行随机初始化；步骤4：近红外光谱波长选择方法采用二进制编码对每个粒子进行位置编码；每个粒子长度等于全部波长N，每个波长对应一个二进制码，其中数值‘1’表示对应的波长被选中，数值‘0’表示对应的波长未被选中；步骤5：近红外光谱波长选择方法采用偏最小二乘法partial linear squares，PIS建立分析校正模型，并选取交叉验证均方根误差RMSECV作为适应度函数，计算每个粒子的适应度值，并记录个体最优解p_i和全局最优解p_g；交叉验证均方根误差RMSECV的计算公式为：$\mathrm{RMSECV}=\sqrt{\frac{\underset{k=1}{\overset{\mathrm{Kp}}{\Sigma }}(y_k-y_k^{*})}{\mathrm{Kp}}}$式中，Kp为交叉验证集的样本数，y_k为第k个样本的实际测量浓度，为第k个样本的预测浓度；步骤6：近红外光谱波长选择方法按照下式更新粒子的飞行速度，$p_c=\left\{\begin{array}{cc}{p}_{\mathrm{ij}}& 0\le r_1<f_c\\ p_{\mathrm{gj}}& f_c\le r_1\le 1\end{array}\right.$$v_{\mathrm{ij}}^{k+1}=\omega ·v_{\mathrm{ij}}^k+a·r_2·(p_c-x_{\mathrm{ij}}^k)$式中，p_c为参考状态，p_ij为个体最优解p_i第j维的位置编码，p_gj为全局最优解p_g第j维的位置编码，r₁和r₂均为[0,1]之间的随机数，f_c为选择系数，k为当前迭代次数，ω为惯性因子，a为加速度系数，为当前迭代第i个粒子第j维的飞行速度，为当前迭代第i个粒子第j维的位置编码，为下一次迭代第i个粒子第j维的飞行速度；步骤7：近红外光谱波长选择方法按照下式更新粒子的位置编码，$x_{\mathrm{ij}}^{k+1}=\left\{\begin{array}{cc}{p}_{\mathrm{ij}}& \rho <\frac{1}{1+e^{(-v_{\mathrm{ij}}^{k+1})}}\\ p_{\mathrm{gj}}& \mathrm{other}\end{array}\right.$式中，ρ为[0,1]之间的随机数，k为当前迭代次数，为下一次迭代第i个粒子第j维的飞行速度，为下一次迭代第i个粒子第j维的位置编码；步骤8：近红外光谱波长选择方法重复步骤4～步骤7，直到达到最大迭代次数Iter_n或者适应度函数RMSECV达到设定的适应度值fitness；输出全局最优解；步骤9：近红外光谱波长选择方法根据输出的全局最优解的二进制编码，得到所选择的波长变量,数值‘1’表示对应的波长被选中，数值‘0’表示对应的波长未被选中。