[发明专利]一种基于遗传算法自适应选择分段点的红外光谱PLS建模方法

说明书

技术领域

本发明属于红外光谱识别领域，具体是一种基于遗传算法自适应选择分段点的红外光谱PLS建模方法。

技术背景

PLS是偏最小二乘法(partial least squares-PLS)，在小样本多变量的红外光谱数据中，PLS模型可以很好的解决其它建模方法所遇到的变量共线性问题和维数灾难。但是PLS模型是一种线性模型，模型的精确度在很大程度上取决光谱数据线性的程度。一个严重的非线性数据用PLS建模是不合适的，而现实的红外数据往往带有非线性性质。一个PLS模型对一个非线性数据的近似能力有限。因此有学者提出了一种分段PLS的建模思想。通过几个分段PLS逼近一个非线性系统，其逼近的精度比一个PLS模型高。但是分段PLS的难点在于分段点的选择。目前常用的分段方法主要是基于数据本身的模糊聚类和拼凑(T.Naes and T.Isaksson，J.Chemometrics，5，49-65(1991).)，或者采用迭代的方法逐渐逼近(LarsAarhus，1994.)，但是这些分段方法使用起来不是很方便，而且对不同的数据的效果往往存在较大的差别。现本发明提供了一种基于遗传算法自适应选择分段点的红外光谱分段PLS建模方法，可以不需要数据分布的知识，通过遗传算法自适应的找到合适的分段点，操作简单，速度快。

发明内容

本发明为了解决红外光谱分段PLS建模过程中难以选择合适分段点的问题，提供了一种基于遗传算法自适应找到合适分段点的数据处理方法。

本发明是采用如下技术方案实现的：一种基于遗传算法自适应选择分段点的红外光谱PLS建模方法，包括如下步骤：

步骤一，样品的划分，每种类别准备多个不同的样品数据，每种类别的样品划分为三部分SET1，SET2，SET3，SET1用于分段模型的建立，SET2用于分段模型的测试，SET3用于最终分段模型的验证，由SET1构成的矩阵为校正集，由SET2构成的矩阵为预测子集，由SET3构成的矩阵为独立预测集；

步骤二，设置Y变量的值，如果有n种类别，则这些类别的Y变量的值分别设置为1，2，3，…n，如有6种类别，则Y变量的值设置为1，2，3，4，5，6；

步骤三，对校正集样品做主成分分析，得到一个得分矩阵Sc、投影方向矩阵T和每列平均值构成的行矩阵M；

步骤四，创建初始种群：包括设置个体每位的进制数，代表最大的分段数p，如分p段则采用p进制，如p＝3，表示个体每位有0，1，2这3种取值可能；设置个体的长度n，代表类别数，即Crom矩阵的列数；设置种群的大小v，代表一个种群内个体的数量，即Crom矩阵的行数，如p＝3，n＝6，v＝4，随机产生的初始种群如下所示：