[发明专利]基于模拟退火算法的近红外光谱特征波长的选择方法

说明书

技术领域

本发明涉及一种近红外光谱特征波长的选择方法，特指用于农产品或食品检测的基于 模拟退火算法的近红外光谱特征波长的选择方法。

背景技术

近红外光谱技术是一种高速、精确和绿色的光谱分析技术，被广泛运用于农产品品质 检测、食品分析等方面。近红外光谱技术的基本原理是近红外光谱中包含分子中单个化学 键基频震动的倍频和合频信息，主要是含氢基团X-H(H为C、N、O)的倍频和合频震动的 叠加。将光谱与样品质量参数进行关联，确定两者的定量或定性关系即校正模型，通过将 未知样品近红外光谱和校正模型可预测样品的定量或定性信息。近红外光谱技术拥有众多 优点，但其不足之处是：近红外光谱技术是一种间接的分析技术，光谱中包含了大量的信 息，但信息强度低且谱峰重叠，如何高效的从全光谱中选择同样品高度相关的特征波长， 是得到最优近红外光谱模型的关键，为了克服上述不足，需对近红外光谱的特征波长进行 选择。

申请号为200510038528.9，名称为“基于间隔偏最小二乘法的农产品、食品近红外光 谱谱区选择方法”的专利申请公开一种基于间隔偏最小二乘法的农产品、食品近红外光谱 区间选择方法，该方法按照建模者的经验，将全光谱划分为若干个子区间，分别用每个子 区间内包含的所有波数点集合建立偏最小二乘模型，如此每个子区间对以一个偏最小二乘 模型，选择建模效果最好的区间作为特征子区间，并以该区间对应的偏最小二乘模型作为 近红外光谱的间隔偏最小二乘模型。该方法能够运用于实际运用，但是该方法的不足之处 是；区间的划分是依照个人经验进行的，缺乏科学依据；假设了特征波长都集中在所划分 的某个子区间内，且子区间内所有的波数点都是特征波数点，即没有对子区间内的波数点 进行取舍，而实际建模过程中难以满足如上假设。在近红外波长选择过程中，往往是特征 波长的个数及分布位置不确定，建模中要确定特征波长的个数和分布位置，可以采用组合 排列的知识来解决，如全光谱共有10个波数点为例，设共有1个特征波长，则有c₁₀¹种解； 设共有2个特征波长，则有c₁₀²种解，设共有3个特征波长，则有c₁₀³种解，依次类推，可 以得到许多解，最后选择一个效果最好的解作为特征波长。利用排列组合来求解，虽然可 以克服间隔偏最小二乘法选择波长子区间的不足，但是这个求解方式计算量很巨大，计算 量随着全光谱波数点数增加呈指数级增长，无法应用于实际建模过程。

模拟退火算法是基于Mote Carlo迭代求解策略的一种随机寻优算法，其出发点是基于 物理退火过程与组合优化之间的相似性。模拟退火算法由一较高初温开始，利用具有概率 突跳性的Metropolis抽样策略在待选解组合中进行随机搜索，伴随温度不断下降重复抽样 过程，最终得到问题的全局最优解，适用解决大规模组合优化问题。

发明内容

本发明的目的是为克服上述现有技术的不足，提出了一种基于模拟退火算法优选近红 外光谱特征波长的方法，延续排列组合的特征波数点求解并降低计算量。

本发明采用的技术方案是包含如下步骤：先对近红外光谱进行预处理，包括对校正集 和预测集样本的划分；从预处理后的近红外光谱的全光谱中挑选最少波数点数，重复随机 选择k个波数点；用被选中的k个不相同的波数点建立校正集和预测集的初始PLS模型， 计算对应初始PLS模型的交互验证均方根误差值RMSECV，用于模拟退火算法中目标函数值 的计算过程；然后采用模拟退火算法从全光谱中选择同校正集化学值高度相关的最优k个 波数点，使窗口宽度动态递增以确保模拟退火保算法得到全局最优解；最后重复上述步骤， 在模拟退火算法结束时比较各个窗口宽度下波数点集合对应的建模效果，得出最佳窗口宽 度和最佳波数点组合，建立校正集和预测集的最终PLS模型。

本发明采用上述技术方案的有益效果是：通过窗口宽度动态递增，消除人工指定窗口 宽度带来的主观因素影响，使得窗口宽度的选择具有科学依据；采用Metropolis准则判断 入选波数点的重要性，既保证了算法快速收敛，同时又避免了模拟退火算法陷入局部最优 解而错过全局最优解。基于模拟退火算法优选波长点建立的光谱模型，具有更高的可靠性 和精度。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细说明。

图1是本发明方法的流程图；