[发明专利]基于混合粒子群和连续投影的荧光光谱二次特征选择方法

说明书

本发明公开了一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，其特征在于：首先应用混合粒子群算法对荧光光谱进行第一次特征选择，从原始高维的荧光光谱中优选出若干维具有显著特征的荧光光谱实现第一次降维；然后在特征光谱中继续应用连续投影算法实现第二次特征选择，以此对荧光光谱进行第二次降维。该方法充分利用了粒子群算法、遗传算法和连续投影算法的优点，能对荧光光谱实现有效降维。

技术领域

本发明属于光谱信息处理领域，涉及一种荧光光谱的特征降维处理方法，特别涉及一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法。

背景技术

物质的荧光光谱具有维数高、信息量大的特点，基于原始荧光光谱进行建模定量分析时通常具有较高的精度，但由于原始光谱中含有大量冗余信息，将使得模型训练复杂、运算效率低下。应用特征选择的方法对原始荧光光谱进行降维处理显得尤为必要，基于降维后的特征光谱进行建模分析将会大大加快训练速度，且对应的模型更加简单实用。特征选择是指从原始的数据集中，根据算法规则选择某个特征子集(该子集仍是原始数据集中的一部分)，使得该子集可近似表达原始问题，以特征光谱代替原始光谱信息参与建模，以此实现光谱降维。用来实现特征选择的方法主要有遗传算法、粒子群算法、连续投影等算法。

现有的特征选择方法仍然存在一些不足，比如，使用粒子群算法的时候，其将当前搜索到的最优位置作为共享信息，容易陷入局部最优，从而出现“早熟收敛”现象，通常需要结合其它算法进行改进，避免过早收敛于局部最优解。结合其他算法后，还会存在降维后的特征光谱通常仍具有较高维度，对应的建模变量仍包含一定的冗余信息，模型复杂度仍然较高，不利于模型训练速度的提高。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，在应用混合粒子群算法对原始荧光光谱进行第一次光谱降维之后，继续应用连续投影算法进行第二次特征降维，进一步降低了光谱数据间的冗余信息，提高了模型训练速度，降低了模型复杂度。

本发明是通过以下技术方案实现的：

基于混合粒子群和连续投影的荧光光谱二次特征选择方法，包括以下步骤：

(1)应用混合粒子群算法对原始荧光光谱进行第一次特征选择；

(2)获得第一次降维后的特征荧光光谱；

(3)应用连续投影算法对特征荧光光谱进行第二次特征选择；

(4)获得第二次降维后的特征荧光光谱。

本发明的进一步改进方案为：

步骤(1)中所述混合粒子群算法为在粒子群算法的粒子更新环节引入遗传算法，所述步骤(1)的过程为：以混合粒子群算法结合支持向量机回归模型对原始荧光光谱进行特征选择，获得第一次降维后的特征荧光光谱和优化后的支持向量机参数。

进一步的，所述粒子群算法为离散二进制粒子群算法。

进一步的，所述步骤(3)的过程为：针对第一次降维后获得的特征荧光光谱，应用连续投影算法结合多元线性回归模型对特征光谱进行第二次特征选择，获得第二次降维后的特征荧光光谱。

进一步的，基于第二次降维后的特征荧光光谱，结合优化后的支持向量机参数进行支持向量机回归建模，进行精确定量分析，以此验证二次降维后特征荧光光谱的显著性。

粒子群优化算法(Particle Swarm Optimization，PSO)由Kennedy和Eberhart 在1995年提出，其思想来源于模拟鸟群的捕食行为，是一种基于“群体”和“进化”的优化算法。在粒子群迭代过程中，每个粒子都代表问题的一个潜在解，由适应度值评价粒子的优劣，粒子速度根据自身移动的历史信息以及其它粒子的移动经验信息进行动态调整，从而实现解空间中的寻优。