一种近红外光谱特征谱区选择方法

摘要

本发明提供一种近红外光谱特征谱区选择方法，本发明将蒙特卡罗概率选择结合蚁群优化算法应用到近红外光谱的特征谱区选择问题上，设置动态区间范围，初始化算法参数，以获取对象的各个光谱区间作为等效搜索点，以测试对象的品质或特性作为标准参考，建立偏最小二乘分析模型，以该模型预测均方根误差重新加权计算来更新信息素向量，通过迭代计算，搜索获取最优的近红外光谱特征谱区，多次循环计算，自动判断得到最佳的近红外光谱特征谱区。本发明结合蒙特卡罗概率选择的全局性和蚁群算法正反馈的优点，有效避免建模过程依靠经验选择的不足和全部选择的数据冗余，快速获得全局最优特征谱区，提高建模精度和稳定性。

主权项

一种近红外光谱特征谱区选择方法，其特征在于，包括以下步骤：S1、将预处理后的近红外光谱随机划分成校正集和验证集，并将预处理后的近红外光谱按照设置的动态区间范围划分光谱子区间；S2、初始化信息素向量，采用蒙特卡罗‑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，以测试样本的可溶性固形物含量的实测值为参考标准，用被选变量建立校正集样本的偏最小二乘分析模型，输出均方根误差；S3、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；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；S4、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；S5、根据先前设置的动态区间范围，再以新的区间划分进行重新进行上述运算；动态区间范围依次运行完成后，优选最佳的建模子区间或子区间组合，近红外光谱对应某一组分或性质的特征谱区。