[发明专利]基于遗传优化算法的同步荧光光谱特征波长选择方法

权利要求书

1.一种基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，包括如下步骤：

(1)对同步荧光光谱进行导数预处理；

(2)对导数预处理后的同步荧光光谱进行去噪预处理；

(3)应用遗传优化算法选择同步荧光光谱特征波长；

(4)应用遗传优化算法优化支持向量回归模型的核函数参数(c，g，p)，进而建立基于遗传优化算法的支持向量回归预测模型。

2.如权利要求1所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，所述步骤(1)采用一阶导数预处理或二阶导数预处理对同步荧光光谱进行导数预处理。

3.如权利要求1所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，所述步骤(2)采用平滑处理、标准归一化、多元散射校正法、小波变换中的一种对导数预处理后的同步荧光光普进行去噪预处理。

4.如权利要求1所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，在进行步骤(3)之前还包括设置遗传优化算法的初始化参数。

5.如权利要求4所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，所述设置初始化参数包括设置初始群体、变异概率P_m、交叉概率P_c、循环次数，本次迭代终止次数的初始值；

所述交叉概率P_c为参与基因交换的染色体个体占染色体总数的比例，所述交叉概率P_c的取值范围为0.4～0.99；

所述变异概率P_m为参与基因变异的染色体个体占染色体总数的比例；所述变异概率P_m的取值范围为0.0001～0.1；

所述循环次数为遗传优化算法重复运行次数；

本次迭代终止次数具体为在每一次遗传优化算法循环中，当遗传优化算法选择同步荧光特征波长的迭代次数达到给定的最大迭代次数，则终止当次迭代，进行下一次循环搜索，所述本次迭代终止次数的初始值小于最大迭代次数或本次迭代终止次数。

6.如权利要求5所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，在进行步骤(3)之前还包括基因编码；

所述基因编码具体为：设置二进制编码将同步荧光光谱数据表示成遗传空间的基因型串结构数据，设置编码0表示所对应的荧光光谱波长未被选中，设置编码1表示所对应的荧光光谱波长被选中。

7.如权利要求6所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，所述步骤(3)包括如下步骤：

①以步骤(3)选择出来的荧光波长组合作为偏最小二乘法的输入变量建立PLS模型，并用交互验证均方根误差值构造遗传优化算法的适应度函数；

②依次采用选择、交叉、变异3种遗传操作方式，以轮转法作为选择同步荧光光谱特征波长的方法；

③通过上述步骤②循环选择进一步缩小有用信息变量的范围，当均方根误差达到最小时，所对应的变量集合该次选择的结果。

8.如权利要求7所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，所述步骤(3)中结果以二进制码的形式输出，并按照波长由小到大排列，其中数值0表示所对应的荧光光谱波长未被选中，数值1表示所对应的荧光光谱波长被选中。

9.如权利要求1所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，所述步骤(4)为：设定经步骤(3)选择出的同步荧光光谱特征波长作为支持向量回归预测模型的输入，并采用遗传优化算法优化支持向量回归预测模型的核函数参数(c，g，p)，将应用遗传优化算法获取核函数参数(c，g，p)值作为支持向量回归预测建模的核函数参数(c，g，p)值，进而建立支持向量回归预测预测模型。

10.如权利要求9所述的基于遗传优化算法的同步荧光光谱特征波长选择方法，其特征在于，所述遗传优化算法优化支持向量回归预测模型的核函数参数(c，g，p)前需设置如下参数：

设置种群大小、最大迭代次数、参数c的变化范围、参数g的变化范围、参数p的变化范围的初始值；

并设定线性、多项式、sigmoid、径向基函数(RBF)中的一种为核函数的类型；

设定e-SVR、n-SVR中一种为支持向量回归预测模型的类型。