[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

说明书

本发明公开了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，包括：获取被测样本的近红外光谱数据；选择核函数，确定核参数优化问题并构建适应度函数；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；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；将达到收敛条件的最优核参数矩阵应用于核函数；对光谱数据进行球化分解预处理；求解独立分量分析中的解混矩阵，实现光谱数据有效降维。本发明避免了应用核独立分量分析方法进行光谱数据降维过程中，核函数参数选择的盲目性，而且实现了近红外光谱高维非线性数据的有效降维，其性能优越，实用性强，计算过程稳定，且易于实现。

技术领域

本发明属于近红外光谱数据技术领域，特别涉及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。

背景技术

近年来，近红外光谱分析技术凭借其快速、非接触、非损伤、无二次污染的优点被广泛应用于水果品质检测领域。近红外光谱分析是根据物质的吸收、反射或散射的光谱来鉴别物质及确定物质化学组成和相对含量的方法。由于近红外光谱中包含大量光谱波段、各组分间的谱带重叠严重，仅采用单一波长光谱数据建立预测或判别模型会产生较大的误差，而采用全光谱波段数据进行建模耗时费力且精度较低，因此通常采用降维后的数据作为特征波段进行建模分析。

光谱数据降维分析中，特定的问题通常可以通过主观经验或建立目标函数进行分析，但大多数情况下由于光谱数据的特征峰重叠严重、信号噪声混合且无法人工识别。因此，有效的光谱数据降维方法显得至关重要。传统的数据处理方法有主成分分析、均匀采样、线性判别式分析、连续投影、最优求解、随机蛙跳、独立分量分析、随机森林、决策树、遗传算法和蚁群算法等。

上述算法可以完成数据降维和特征提取，但是针对稀疏和多变量复杂数据集往往只能体现总体的关联，忽视了局部之间的联系。现有方法实现数据降维的主要思路是：(1)通过坐标轴的线性变化实现数据主要信息提取，摒弃冗余信息；(2)在原有特征基础之上去创造凝练出一些新的特征，将尽可能多的数据点由其近邻点的线性加权组合构成。现有方法的缺点是只考虑了数据的全局性特征信息，从而忽视了数据在局部范围内特征信息，因此会导致分析实际问题时，建模预测或建模判别的结果误差很大。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供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，通过引入核函数和最优化思想，对核独立分量分析方法中的核函数的随机参数进行优化，既能较好的去除冗余信息和噪音信息，又可以保留数据内部本质结构特征，从而提高光谱数据特征提取精度和核独立分量分析效率，解决了近红外光谱由于高维、谱带重叠、光谱分布结构未知等缺点所引起的数据关键特征提取难的问题。该方法可用于水果成分估计和品质检测模型设计、光谱分析仪器开发与优化等技术中。

为了实现上述目的，本发明采用的技术方案是：

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，使用麻雀搜索算法优化核独立分量分析方法中核参数矩阵，从而实现光谱数据的有效降维。具体包括以下步骤：

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)，将达到收敛条件的最优核参数矩阵δ＝ω应用于核函数；