[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

说明书

技术领域

本发明涉及一种同步荧光光谱特征波长选择方法，尤其涉及一种用于肉类(如鸭肉、鸡肉、鹅肉、猪肉等)及蛋类（鸭蛋、鸡蛋、鹅蛋等）食品中抗生素残留的基于遗传优化算法的同步荧光光谱特征波长选择方法。

背景技术

目前关于肉类及蛋类食品中抗生素残留常用检测方法主要有高效液相色谱法、气相色谱法等理化检测方法，酶联免疫检测法和微生物学方检测法等。虽然这些方法对肉类及蛋类食品中抗生素残留检测可获得较好的检测精度，但需对样品进行复杂的前处理，操作费时繁琐，不利于快速、简单、大批量检测。

随着荧光光谱技术与化学计量学的发展，荧光光谱技术在食品品质检测中得到了广泛的应用。同步荧光光谱法作为一种荧光光谱分析技术，具有简化光谱、窄化谱带、减小散射光影响和光谱重叠等优点，也日益受到重视。而含有抗生素残留的肉类及蛋类食品的荧光光谱比较复杂，影响因素较多，荧光峰的位置会发生波动，较难直接确定精确的抗生素荧光特征峰值与肉类及蛋类食品中抗生素残留含量之间的定量对应关系。而应用全光谱建立的预测模型因输入变量较多使得模型建立和预测时间较长，不利于快速检测。因此，有必要从全光谱中提取有用的光谱特征波长，以提高模型的运行速度。

遗传优化算法作为模仿自然界生物进化机制发展起来的一种具有高度并行、随机和自适应的全局搜索方法，具有简单、鲁棒性好的优点，在光谱特征波长选择和模型参数优化方面得到了广泛应用。同步荧光光谱特征波长的个数关系到模型的运行速度和效率，同时支持向量回归（Support vector regression，SVR）预测模型中的参数设置关系到模型的预测精度。因此，遗传优化算法的应用有益于剔除对建模无用的同步荧光光谱波长，提高预测模型的精度与运算速度。

发明内容

本发明的目的在于克服现有技术的不足，适应现实需要，提供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，旨在提出一种肉类及蛋类食品中抗生素残留的基于遗传优化算法的同步荧光光谱特征波长选择方法，并用本方法筛选出来的同步荧光光谱特征波长建立基于遗传优化算法的SVR预测模型，以提高预测模型的精度与运算速度。

为了实现本发明的目的，本采用的技术方案为：

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，包括如下步骤:

⑴对同步荧光光谱进行导数预处理；

⑵对导数预处理后的同步荧光光谱进行去噪预处理；

⑶应用遗传优化算法选择同步荧光光谱特征波长；

⑷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；

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。

所述步骤（2）采用平滑处理、标准归一化(SNV)、多元散射校正法(MSC)、小波变换中的一种对导数预处理后的同步荧光光谱进行去噪预处理。

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。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；

述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。

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 l表示所对应的荧光光谱波长被选中；

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；