[发明专利]一种基于PLS-VIP-ACO算法的光谱波长选择方法

摘要

本发明属于光谱分析领域，尤其是涉及一种基于PLS‑VIP‑ACO算法的光谱波长选择方法。所述方法结合了蚁群算法（ACO算法）与变量投影重要性系数（VIP系数）、偏最小二乘方法（PLS）；包括：在全波长段建立偏最小二乘模型（PLS模型），计算每个波长变量的VIP系数并将得到的VIP系数作为ACO信息素的初始值；在每次ACO迭代中，记录每次迭代得到的最优模型所对应的波长点及其PLS系数绝对值，并与上一次迭代结果进行累加，同时考虑VIP系数的贡献对ACO信息素进行更新，进入下一次的ACO迭代；迭代全部结束后统计所有波长点的累加PLS系数并按降序排序，记录对应的波长排列次序，然后采用反向剔除弱相关波长的策略获得最终的最优波长组合。本方法能显著提高光谱建模的稳健性与精度。

主权项

1.一种基于PLS-VIP-ACO算法的光谱波长选择方法，其特征在于，所述基于PLS-VIP-ACO算法的光谱波长选择方法包括：在全波长段建立PLS模型，计算每个波长变量的VIP系数并将得到的VIP系数作为ACO信息素的初始值；在每次ACO算法迭代中，记录每次迭代得到的最优PLS模型所对应的波长点及其PLS系数绝对值，并与上一次迭代结果进行累加，同时考虑VIP系数的贡献对ACO信息素进行更新，进入下一次的ACO算法迭代；迭代全部结束后统计所有波长点的累加PLS系数并按降序排序，记录对应的波长排列次序，然后采用反向剔除弱相关波长的策略获得最终的最优波长组合；具体步骤包括：/n步骤(1)，参数初始化：将样本划分为校正集和预测集；校正集的光谱矩阵为Xs×p，光谱矩阵Xs×p具有s个样本，全波长点有p个，校正集的样本性质矩阵为Ys×1；预测集的光谱矩阵为Xt×p，光谱矩阵Xt×p具有t个样本，全波长点有p个，预测集的样本性质矩阵为Yt×1；设定最大迭代次数K_MAX，蚁群蚂蚁个数m，最大选取波长数V_MAX，以及设定ACO信息素更新的显著因子Q、ACO信息素衰减系数ρ；迭代次数K初始化为1；/n步骤(2)，VIP系数计算：在校正集上建立全波长的PLS模型，根据PLS系数计算每个波长点的VIP系数，根据VIP系数能表征特征重要程度这一特性，将ACO信息素矩阵Phe(1×p)初始化为每个波长点的VIP系数；/n步骤(3)，ACO算法迭代开始：当K<K_MAX时，进入一次新的迭代过程；迭代开始时，首先初始化蚁群的路径矩阵selected(m×V_MAX)，储存每只蚂蚁选取的V_MAX个波长点；/n步骤(4)，蚁群随机初始化：生成m个1到p之间的随机数，作为m只蚂蚁的路径起点，即第一个被选择的波长点，并储存到selected(m×V_MAX)矩阵的第一列中，设定j为蚂蚁已选的波长点，初始j＝1；/n步骤(5)，蚁群选择过程：对每只蚂蚁，做以下运算：当j<V_MAX时，找出蚂蚁未走过的波长点集合to_visit((p-j)×1)；由ACO信息素矩阵Phe(1×p)计算每个波长被选中的概率p，根据概率矩阵P((p-j)×1)，用轮盘赌算法选出下一个被选中的波长点；j的值进行+1操作；/n步骤(6)，重复步骤(4)-(5)直至j＝V_MAX；/n步骤(7)，选取最优蚂蚁：分别对m个蚂蚁选择的波长点(1×V_MAX)在校正集建立PLS模型，采取留一交叉验证的方法，得到相应的RMSECV值；对比m个PLS模型的RMSECV值，选取RMSECV最小的PLS模型对应的蚂蚁为最优蚂蚁，其选中的波长组合为最优波长组合，记录结果，将对应波长点的PLS系数累加储存；/n步骤(8)，更新ACO信息素：仿照真实生物界蚂蚁的行为，更新ACO信息素；在步骤(7)中选出的最优波长组合中，对应波长点的ACO信息素得到加强，而未被选中的波长点，ACO信息素会以ACO信息素衰减系数ρ减少，更新的ACO信息素矩阵在下一次迭代中被应用；令K＝K+1；记录最优结果对应最优模型的PLS系数，每个波长点的贡献值累加对应波长点的PLS系数绝对值；/n步骤(9)，重复步骤(3)到步骤(8)，直至达到最大迭代次数K_MAX且最优解收敛；得到最终每个波长点的累加PLS系数矩阵后，计算每个波长点的贡献值，即归一化的迭代累加PLS系数；得到贡献值超过阈值的波长集合high_wave(1×g)后，按贡献值从小到大排序，依次剔除贡献值最小的波长点，用筛选出的波长组合进行建模，以交叉验证标准偏差和预测标准偏差综合指标RMSECvP为模型评判标准，将RMSECvP最小的波长组合high_wave(1×(g-g’))作为最终的最优波长组合；/n所述步骤(9)中，交叉验证标准偏差和预测标准偏差综合指标RMSECvP为RMSECV和RMSEP的组合指标，指标RMSECvP分别与RMSECV、RMSEP正相关，且RMSECvP＝(RMSECV+RMSEP)。/n