[发明专利]一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法

权利要求书

1.一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法，其特征在于，包括如下步骤：

步骤(1)，获取被测样本的近红外光谱数据，获得q个样本在n个波段下的近红外光谱数据，记原始光谱数据其中y_q,n表示第q个样本在第n个波段的光谱数据；

步骤(2)，为核独立分量分析方法选择核函数，确定核参数优化问题并构建适应度函数其中ω为待优化参数，S_a(ω)表示光谱数据的类内离散度，S_b(ω)表示光谱数据的类间离散度；

步骤(3)，采用麻雀搜索算法，初始化麻雀种群，包括：设置麻雀种群的初始参数，生成麻雀种群初始位置矩阵和适应度矩阵；

步骤(4)，根据麻雀的捕食与反捕食行为，更新麻雀种群的最优位置和最优适应度值；

步骤(5)，取ω等于达到收敛条件的最优核参数矩阵δ，并将其应用于核函数；

步骤(6)，对光谱数据进行球化分解预处理，使输入向量之间相互正交；

步骤(7)，求解独立分量分析中的解混矩阵，分离出相互独立的特征信息，实现光谱数据的有效降维。

2.根据权利要求1所述基于麻雀搜索算法优化核独立分量的光谱数据降维方法，其特征在于，所述步骤(2)包括：

步骤(2a)，选择满足Mercer定理的半正定核函数，使得核矩阵只有非负特征值，确保构建的优化问题是凸的和解决方案是唯一的；

步骤(2b)，将高斯径向基核函数参数δ记为待优化参数ω，根据费舍尔极小判别准则，建立适应度函数F(ω)，适应度函数F(ω)需随着ω由小变大过程，快速下降并稳定收敛到一个全局最小值F(ω^*)。

3.根据权利要求2所述基于麻雀搜索算法优化核独立分量的光谱数据降维方法，其特征在于，所述核函数为高斯径向基核函数x表示输入的光谱数据，z表示特征提取后的光谱数据。

4.根据权利要求1所述基于麻雀搜索算法优化核独立分量的光谱数据降维方法，其特征在于，所述步骤(3)包括：

步骤(3a)，对应步骤(1)中的n个波段和q个样本，设置n维空间，空间中麻雀的数量为q；设置最大迭代次数为iter_max；设置麻雀种群中探索者和跟随者的比例分别为P_prod和P_scro；设置种群的安全阈值为ST，ST的取值范围为[0,1]；

步骤(3b)，随机生成麻雀的初始位置矩阵X，计算适应度矩阵Fx，其中即，初始位置矩阵X与原始光谱数据Y一一对应，x_q,n代表第q个麻雀在第n维空间中的位置，一一映射为原始光谱数据Y中第q个样本在第n个波段的数据，函数f([x_q,1 x_q,2… …x_1,n])表示第q只麻雀在n维空间中的适应度值。

5.根据权利要求4所述基于麻雀搜索算法优化核独立分量的光谱数据降维方法，其特征在于，所述P_prod＝20％，P_scro＝80％，ST＝0.8。