CN110726694A - 光谱变量梯度集成遗传算法的特征波长选择方法和*** - Google Patents
光谱变量梯度集成遗传算法的特征波长选择方法和*** Download PDFInfo
- Publication number
- CN110726694A CN110726694A CN201911006149.XA CN201911006149A CN110726694A CN 110726694 A CN110726694 A CN 110726694A CN 201911006149 A CN201911006149 A CN 201911006149A CN 110726694 A CN110726694 A CN 110726694A
- Authority
- CN
- China
- Prior art keywords
- wavelength
- spectrum
- interval
- vector
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 73
- 230000002068 genetic effect Effects 0.000 title claims abstract description 62
- 238000010187 selection method Methods 0.000 title claims abstract description 16
- 230000003595 spectral effect Effects 0.000 title claims description 53
- 238000001228 spectrum Methods 0.000 claims abstract description 166
- 239000013598 vector Substances 0.000 claims abstract description 111
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 49
- 238000002329 infrared spectrum Methods 0.000 claims description 33
- 210000000349 chromosome Anatomy 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000007430 reference method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 description 37
- 238000012937 correction Methods 0.000 description 23
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 22
- 229910052698 phosphorus Inorganic materials 0.000 description 22
- 239000011574 phosphorus Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 17
- 239000000126 substance Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 235000015097 nutrients Nutrition 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 2
- 229930091371 Fructose Natural products 0.000 description 2
- 108010070551 Meat Proteins Proteins 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229960002737 fructose Drugs 0.000 description 2
- 239000002366 mineral element Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 235000019624 protein content Nutrition 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000000559 atomic spectroscopy Methods 0.000 description 1
- 125000003636 chemical group Chemical group 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010905 molecular spectroscopy Methods 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种光谱变量梯度集成遗传算法的特征波长选择方法和***,将全光谱划分为多个波长间隔;根据重要性投影系数从所有波长间隔中提取出重要波长间隔并合并成一个区间光谱;以区间光谱的随机组合特征波长向量为遗传算法的初始种群,以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,利用遗传算法选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量。本发明解决了现有技术存在选择共线性和冗余波长变量的问题,简化了计算,提高了预测精度,使回归模型具有更好的解释能力和泛化能力。
Description
技术领域
本发明涉及光谱分析技术领域,尤其涉及一种光谱变量梯度集成遗传算法的特征波长选择方法和***。
背景技术
光谱分析法是根据物质的光谱来鉴别物质及确定其化学组成和相对含量的方法,是以分子和原子的光谱学为基础建立起的分析方法。由于每种原子都有自己的特征谱线,因此可以根据光谱来鉴别物质和确定它的化学组成。可利用物质在不同光谱分析法的特征光谱对其进行定性分析,根据光谱强度进行定量分析。在建立光谱检测模型时选择的特征波长对模型的精度有很大的影响。目前基于群智能优化算法的特征波长变量选择方法,存在选择弱相关性的波长变量概率较大,也容易陷入局部最优解的问题。
当土壤样本受到可见近红外光谱照射后,土壤养分物质中各种含氢元素化学基团(如C-H、O-H、S-H、N-H等)被激发产生分子振动的倍频和合频吸收信息,利用可见近红外光谱分析技术测量土壤养分的可见近红外光谱的吸收度,就能准确测量土壤养分的含量。但是,每种土壤养分都有自己的吸收光谱波长,而且吸收信号弱,谱带重叠,还包含环境噪声和无关信息等干扰信息,使得土壤样本的近红外吸收光谱图极为复杂。另外,同一样本的光谱数据内部存在共线性关系,易产生数据冗余。若用全光谱数据建立回归模型,难以消除可见近红外光谱高度重叠和相邻特征变量之间共线问题,不仅预测精度不高,而且模型复杂,泛化能力弱。基于群智能优化算法的特征波长选择方法将PLSR的均方根误差作为目标函数,随机搜索均方根误差最小的特征波长向量。但是,在可见近红外全光谱范围内选择特征波长变量,选择弱相关性的波长变量概率较大,也容易陷入局部最优解。因此,从可见近红外全光谱波长变量中,优选与土壤养分目标变量相关性最大的区间光谱,在区间光谱上选择特征波长变量,成为提高土壤养分预测精度的关键技术。
发明内容
本发明的目的是解决目前近红外光谱分析方法所采用的特征波长选择方法,存在选择弱相关性的波长概率较大,也容易陷入局部最优解,导致近红外光谱分析精度有待提高的问题,提供一种光谱变量梯度集成遗传算法的特征波长选择方法和***。
一方面,本发明提供一种光谱变量梯度集成遗传算法的特征波长选择方法,包括以下步骤:
利用可见近红外光谱扫描设备对多个土壤样本扫描产生可见近红外光谱数据矩阵,对所述光谱数据矩阵包含的全光谱波长变量建立偏最小二乘回归模型,确定全光谱波长变量的重要性投影系数;
将光谱数据矩阵的全光谱划分为多个波长间隔,从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的波长间隔,得到重要波长间隔;
将光谱数据矩阵重要波长间隔合并成为一个区间光谱,以区间光谱的随机组合特征波长向量为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差;
以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量。
进一步地,得到重要波长间隔后分别用向后间隔偏最小二乘回归算法移除各个重要波长间隔中的一个波长变量到仅剩最后一个波长变量,寻找每个重要波长间隔中偏最小二乘回归模型的均方根误差最小对应的组合波长向量,构建各个新的重要波长间隔并合并成为一个区间光谱,以区间光谱的随机组合特征波长向量为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差。
进一步地,将全光谱划分为多个波长间隔的方法如下:
计算全光谱波长变量纯度行向量和全光谱波长变量在水平方向的线性纯度梯度向量;利用全光谱波长变量线性纯度梯度向量中梯度值的正负变化,将全光谱划分为多个波长间隔。
进一步地,特征波长向量的适应度函数F表达式如下:
F=1/RMSE,
进一步地,根据选择的种群大小、交叉概率、变异概率和选择概率,形成新种群,其中变异算子采用实数编码差分变异算子,计算公式如下:
Z(i,j)=D×(E(r1,j)-E(r2,j))+E(i,j),
其中,Z(i,j)代表第i个个体的第j个染色体的实数编码子代值,D代表变异因子,E(r1,j)代表种群中随机产生的第r1个个体的第j个染色体的实数编码父代值,E(r2,j)代表种群中随机产生的第r2个个体的第j个染色体的实数编码父代值,E(r1,j)-E(r2,j)代表第r1个个体的第j个染色体的实数编码父代值与第r2个个体的第j个染色体的实数编码父代值之间的差值,E(i,j)代表第i个个体的第j个染色体的实数编码父代值。
进一步地,从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的重要波长间隔并合并成为一个区间光谱的方法如下:
每个重要波长间隔中的波长列号均转换为区间光谱的波长索引号行向量;区间光谱波长索引号行向量的列号范围为特征波长向量元素取值范围,通过列号与特定区间光谱波长索引号行向量的映射表,获取光谱数据矩阵的各列数据。
另一方面,本发明提供了一种光谱变量梯度集成遗传算法的特征波长选择***,其特征在于,包括:
偏最小二乘回归模型建立模块,用于利用可见近红外光谱扫描设备对多个样本扫描产生可见近红外光光谱数据矩阵,对所述光谱数据矩阵包含的全光谱波长变量建立偏最小二乘回归模型,确定全光谱波长变量的重要性投影系数;
波长间隔划分模块,用于将光谱数据矩阵的全光谱划分为多个波长间隔;
重要波长间隔确定模块,用于从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的波长间隔,得到重要波长间隔;
遗传算法选择模块,用于将光谱数据矩阵重要波长间隔合并成为一个区间光谱,以区间光谱的随机组合特征波长向量作为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差;
以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量。
进一步地,所述重要波长间隔确定模块还包括,得到重要波长间隔后分别用向后间隔偏最小二乘回归算法移除各个重要波长间隔中的一个波长变量到仅剩最后一个波长变量,寻找每个重要波长间隔中偏最小二乘回归模型的均方根误差最小对应的组合波长向量,构建各个新的重要波长间隔。
本发明的有益技术效果是:通过将光谱数据矩阵的全光谱划分为多个波长间隔,并从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的波长间隔,得到重要波长间隔并合并成为一个区间光谱,以区间光谱的随机组合特征波长向量为遗传算法的初始种群,使遗传算法在区间光谱选择潜在最优特征波长变量的概率大大增加,解决了群智能优化算法在可见近红外全光谱波长变量中选择潜在最优特征波长变量,存在选择共线性和冗余波长变量问题,简化了回归模型计算量,提高了预测精度,使回归模型具有更好的解释能力和泛化能力;
利用可见近红外全光谱变量线性纯度梯度值正负变化次数,将全光谱划分成若干个波长间隔,采用偏最小二乘回归模型(PLSR)输出的波长变量投影重要性系数(VIP)大于预定值作为波长间隔提取准则,在可见近红外全光谱中提取对预测目标量解释性较强的重要波长间隔并合并成为一个区间光谱,以区间光谱的随机组合特征波长向量为遗传算法的初始种群,提高遗传算法在区间光谱选择强相关性的波长变量的概率,降低在可见近红外全光谱中选择弱相关性的波长变量的概率,有利于剔除共线性关系和冗余数据,提高回归模型的预测精度;
通过对得到的重要波长间隔后分别用向后间隔偏最小二乘回归算法,寻找每个重要波长间隔中偏最小二乘回归模型的均方根误差最小对应的组合波长向量,构建各个新的重要波长间隔并合并成为一个区间光谱,以区间光谱的随机组合特征波长向量为遗传算法的初始种群,进一步提高遗传算法在区间光谱选择相关性高的波长变量的概率,更有效地剔除共线性关系和冗余数据,得到的回归模型的预测精度更优;
本发明提供了一种实数编码差分变异算子,利用改进的遗传算法,扩大了搜索全局最优解空间,可使改进遗传算法搜索全局最优解,收敛速度快;
本发明进一步设定区间光谱的波长索引号行向量的列号范围为特征波长向量元素取值范围,通过列号与特定区间光谱波长索引号行向量的映射表,获取光谱数据矩阵的各列数据,建立偏最小二乘回归模型,使特征波长向量种群产生方式和光谱矩阵数据获取方法均简单易行。
附图说明
图1本发明具体实施例光谱变量梯度集成遗传算法特征变量选择方法流程图;
图2本发明另一实施例光谱变量梯度集成遗传算法特征变量选择方法流程图;
图3本发明具体实施例土壤速效磷校正集可见近红外全光谱变量纯度曲线;
图4本发明具体实施例土壤速效磷校正集可见近红外全光谱变量纯度梯度曲线;
图5本发明具体实施例土壤速效磷校正集可见近红外全光谱PLSR的VIP曲线;
图6本发明具体实施例改进遗传算法适应度函数F迭代寻优曲线;
图7本发明具体实施例改进遗传算法选择的25个最优特征波长分布图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明提供的光谱变量梯度集成遗传算法的特征变量选择方法包括(如图1所示):
利用可见近红外光谱扫描设备对多个样本扫描产生可见近红外光谱数据矩阵,对所述光谱数据矩阵包含的全光谱波长变量建立偏最小二乘回归模型,确定全光谱波长变量的重要性投影系数;
将光谱数据矩阵的全光谱划分为多个波长间隔,从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的波长间隔,得到重要波长间隔;
将光谱数据矩阵重要波长间隔合并成为一个区间光谱的随机组合特征波长向量作为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差;
以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量。
利用最优特征波长向量建立回归模型可以进行定量分析,如确定与特征波长相关的元素含量预测值等;本发明提供的基于光谱变量梯度集成遗传算法特征变量选择方法和***可应用于水果糖含量、肉类蛋白质含量、矿元素含量以及土壤养分含量等领域的元素定量分析。
本发明方法能够有效降低在可见近红外全光谱中选择弱相关性的波长变量的概率,有利于剔除共线性关系和冗余数据,提高物质含量预测精度。
变量重要性投影系数(VIP)是PLSR模型重要输出参数之一,它反映PLSR模型对每个自变量的评分。一般认为以校正集可见近红外全光谱波长变量建立PLSR模型的某个波长变量的VIP大于1时,说明该光谱波长变量对预测目标变量有重要的作用。
以上方法可以在获得重要波长间隔区间后对重要波长间隔进一步精简得到新的重要波长间隔区间,实现进一步提高选择相关性高的波长变量的概率,更有效地剔除共线性关系和冗余数据,建立的回归模型的预测精度更优。
按照以上方法,本发明实施方式一:提供的光谱变量梯度集成遗传算法特征变量选择方法流程图,本实施例针对土壤元素含量分析,可应用于土壤近红外光谱分析仪的软件设计,包括以下步骤:
步骤1,将m个土壤样本通过n个可见近红外光谱波长扫描产生m×n阶可见近红外光谱数据矩阵样本集,进行预处理消除噪声影响后,将光谱数据矩阵样本集划分为校正集和验证集。利用校正集作为训练样本,利用验证集验证最终预测效果:所述光谱数据矩阵样本集待测元素的含量可采用通过其他现有技术获得的参考方法测试值;
步骤2:将全光谱划分为s个波长间隔。具体实施例中,划分方法可采用现有技术实现,如最经典的方法是把全光谱等分为N个波长间隔,其为现有技术这里不赘述;在其它实施例中也可采用以下实施例提供的更优的波长间隔划分方法;
步骤3,以校正集全光谱波长变量建立偏最小二乘回归模型(PLSR),输出全光谱波长变量重要性投影系数(Variable importance in projection,VIP)。
步骤4,以每个波长变量的VIP大于预定值(本实施例设定为1,其它实施例可以根据需要设定其它值,如0.5或0.8等)作为重要波长间隔提取准则,从s个波长间隔中,提取k个仅包含VIP大于预定值的波长变量的不完全连续的重要波长间隔(k<s)。
步骤5,将光谱数据矩阵重要波长间隔顺序合并成一个区间光谱(本实施例将光谱数据矩阵重要波长间隔顺序合并成为一个区间光谱,在其它实施例中也可采用其它合并方式得到区间光谱),以区间光谱的随机组合特征波长向量作为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差;
步骤6,设置遗传算法的种群规模、特征波长个数、以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量;利用最优特征波长向量建立回归模型,可求解某个样本某种物质含量的预测值。
采用本发明提供的光谱变量梯度集成遗传算法特征变量选择方法获得的最优特征波长向量,建立回归模型,可简化回归模型结构,提高近红外光谱分析的精度,使回归模型有更好的泛化能力和鲁棒性,可应用于近红外光谱仪的软件设计,具有实现简单、多组分同时测定、分析速度快、低成本,不破坏样品,不消耗化学试剂,不污染环境等特点,在土壤养分含量、水果糖含量、肉类蛋白质含量、矿元素含量等物质含量的检测方面有良好的推广应用前景。
建立回归模型就是利用样本集的多组观测数据(xi,yi)来估计回归方程中的回归系数。建立回归模型的方法不限于偏最小二乘回归模型,可选现有技术实现,优选非线性回归模型。
对于偏最小二乘回归模型来说,某个样本物质含量的预测值与多个波长变量之间存在多元线性关系,即ε是随机误差,β0为回归常数,β1~βn是n个回归系数,x1~xn就是特征波长变量,即n个特征波长扫描得到的近红外光谱漫反射吸光度数据;β1~βn的估计就是通过建立偏最小二乘回归模型找到预测值与样本参考方法测试值yi之间均方根误差最小对应的回归系数:β1~βn。
实施方式二:在以上实施例的基础上,为了进一步提高选择相关性高的波长变量的概率,更有效地剔除共线性关系和冗余数据,使得到的回归模型的预测精度更优,进一步包括:得到重要波长间隔后分别用向后间隔偏最小二乘回归算法移除各个选定波长间隔中的一个波长变量到仅剩最后一个波长变量,寻找每个重要波长间隔中偏最小二乘回归模型的均方根误差最小对应的组合波长向量,构建各个新的重要波长间隔,对新的重要波长间隔顺序合并成一个区间光谱(本实施例将光谱数据矩阵重要波长间隔顺序合并成为一个区间光谱,在其它实施例中也可采用其它合并方式得到区间光谱),以区间光谱的随机组合特征波长向量作为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差。
实施方式三:在以上实施例的基础上,为了更准确地反映波长变量对预测目标变量的贡献大小,进一步包括采用以下方法将全光谱划分为s个波长间隔:
计算全光谱波长变量纯度行向量和全光谱波长变量在水平方向的线性纯度梯度向量;利用校正集全光谱波长变量线性纯度梯度向量中梯度值的正负变化,将全光谱划分为多个波长间隔。本实施例采用的波长间隔划分方法比人为将全光谱划分为N个等间隔的波长间隔的传统划分方法更科学,因为波长变量纯度梯度的正负变化意味着光谱数据中有用信息的变化趋势,以波长变量线性纯度梯度的正负变化点来划分波长间隔,更能科学地划分对目标变量解释性强的所在波长间隔。
具体实施例采用浓度梯度法将光谱数据矩阵样本集划分为校正集和验证集。校正集全光谱波长变量纯度行向量由各个波长变量纯度值作为元素组成的行向量,一个波长变量纯度值等于每个可见近红外光谱波长扫描所有样本产生的光谱数据列向量的标准差除以该光谱数据列向量的平均值,计算公式如下:pi=σi/μi(i=1~n),其中pi定义为第i个光谱波长变量的纯度,σi为第i个光谱波长下所有数据样本的标准差,μi为第i个光谱波长下所有数据样本的平均值,n为全光谱波长变量纯度行向量阶数。
波长变量纯度值大小反映该波长变量对预测目标变量的贡献大小。
校正集全光谱波长变量的纯度梯度行向量是由全光谱波长变量纯度行向量中相邻两个纯度值在水平方向从左到右的线性梯度值作为元素组成的行向量,每个纯度梯度值的计算公式如下:
第1个元素为g1=p1-p2,第i列元素为gi=(pi+1-pi-1)/2,2≤i≤n-1,第n个元素为gn=pn-pn-1。其中,p1,p2,pi-1,pi+1,pn-1,pn是全光谱变量纯度行向量P=[p1,p2,...,pn]中的纯度元素,g1,gi,gn分别代表波长变量纯度梯度向量中的第1列、第i列、第n列纯度梯度元素,n为全光谱波长变量纯度梯度行向量阶数。波长变量纯度梯度值大小反映该光谱变量纯度值变化率大小。
波长变量纯度梯度值越大,说明该波长变量对预测目标变量的贡献越大,找到潜在特征变量可能性越大。若某一光谱变量纯度梯度为正,说明在此波长点上光谱变量纯度变化是正向增长的,反之亦然。若某一光谱变量的纯度梯度值为零,说明该波长变量对预测目标变量的贡献不大。
实施方式四,该实施方式的方法流程如图2所示。在以上实施方式的基础上,为了解决光谱变量多、光谱信息易重叠、存在数据冗余和大量噪声,导致近红外光谱分析建模的时间长、模型的泛化能力不强、预测精度不高等问题,采用改进遗传算法在本发明提供的重要波长间隔顺序合并成一个区间光谱中选择特征波长(本实施例将光谱数据矩阵重要波长间隔顺序合并成为一个区间光谱,在其它实施例中也可采用其它合并方式得到区间光谱),染色体采用实数编码方式。最优特征波长个数设为15~100之间的常数,进化代数设为100~200之间的常数。
改进遗传算法采用一种改进的实数编码差分变异算子,计算公式如下:
Z(i,j)=D×(E(r1,j)-E(r2,j))+E(i,j),
其中,Z(i,j)代表第i个个体的第j个染色体的实数编码子代值,D代表变异因子,E(r1,j)代表种群中随机产生的第r1个个体的第j个染色体的实数编码父代值,E(r2,j)代表种群中随机产生的第r2个个体的第j个染色体的实数编码父代值,E(r1,j)-E(r2,j)代表第r1个个体的第j个染色体的实数编码父代值与第r2个个体的第j个染色体的实数编码父代值之间的差值。E(i,j)代表第i个个体的第j个染色体的实数编码父代值。
改进差分变异算子扩大了搜索全局最优解空间,可使改进遗传算法搜索全局最优解,收敛速度快。
该实施方式以校正集可见近红外全光谱波长变量的纯度梯度值正负变化次数划分波长间隔,以偏最小二乘回归模型(PLSR)输出的变量投影重要性系数大于1提取重要波长间隔,以向后间隔PLS回归算法(BiPLSR)在重要波长间隔中筛选新重要波长间隔,将所有新重要波长间隔合并成一个区间光谱。应用改进遗传算法在区间光谱选择PLSR模型的均方根误差(RMSE)最小对应的特征波长向量为最优特征波长变量。该实施方式提高改进遗传算法在区间光谱选择强相关性的波长变量的概率,降低在可见近红外全光谱中选择弱相关性的波长变量的概率,有利于剔除共线性关系和冗余数据,提高回归模型的预测精度。
实施方式五:为了进一步使特征波长向量种群产生方式和光谱矩阵数据获取方法均简单易行,在以上实施例的基础上,从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的重要波长间隔并顺序合并成一个区间光谱;本实施例将光谱数据矩阵重要波长间隔顺序合并成为一个区间光谱,在其它实施例中也可采用其它合并方式得到区间光谱。
将重要波长间隔顺序合并成一个区间光谱的具体方法如下:
将所有重要波长间隔中的波长列号均转换为区间光谱的波长索引号行向量;区间光谱的波长索引号行向量的列号范围为特征波长向量元素取值范围,通过列号与区间光谱波长索引号行向量的映射表,获取光谱数据矩阵的各列数据,建立偏最小二乘回归模型,使特征波长向量种群产生方式和光谱矩阵数据获取方法均简单易行。
实施方式六:在以上实施例的基础上,获取校正集数据矩阵各列数据建立偏最小二乘回归模型的均方根误差(RMSE)的倒数(1/RMSE)作为适应度函数。适应度函数F计算公式如下:
具体实施例中也可以根据实际应用调整相关参数,如通过改变遗传算法染色体和长度,或对第i样本的各个波长变量的偏最小二乘回归模型的均方根误差进一步处理,相应地调整适应度函数。
以下为图2示出的具体实施例的实验数据:
可见近红外光谱波长范围为350~2500nm。用光谱仪以分辨率设为1nm、波长范围设为350nm~1655nm(1306个波长)的可见近红外光谱扫描土壤样本193份,产生193×1306阶土壤速效磷漫反射率光谱数据矩阵样本集。对漫反射率光谱数据样本集进行预处理后,采用浓度梯度法样本划分法,以3:1的比例将193份光谱数据矩阵样本集划分成157份校正集样本和36份验证集样本,193份土壤样本的速效磷含量参考方法测试值统计数据如表1所示,表1为193份土壤样本的速效磷含量参考方法测试值统计数据表,由表1可见,土壤速效磷含量参考方法测试值数据样本的校正集与验证集划分有相近的标准差分布特征,但离散度较大。参考方法测试值指用化学方法或其他方法对物质含量的测试值。
表1 193份土壤样本的速效磷含量参考方法测试值统计数据表
然后,计算土壤速效磷校正集可见近红外全光谱波长变量纯度行向量,土壤速效磷校正集可见近红外全光谱波长变量纯度曲线如图3所示。
再计算土壤速效磷校正集可见近红外全光谱波长变量纯度行向量在水平方向的纯度梯度行向量,土壤速效磷校正集可见近红外全光谱波长变量纯度梯度曲线如图4所示。由图4可见,土壤速效磷校正集可见近红外全光谱波长变量纯度梯度曲线峰值波长范围可分为3个:最大峰值所在波长范围800~1200nm,中等峰值所在波长范围1200~1655nm,较小峰值所在波长范围350~800nm。
利用土壤速效磷校正集可见近红外全光谱变量纯度梯度向量中纯度梯度元素值的正负变化次数,将全光谱区间划分为若干个不等间隔的波长间隔。
以土壤速效磷校正集可见近红外全光谱波长变量建立PLSR模型,输出全光谱波长变量重要性投影系数(VIP),土壤速效磷校正集可见近红外全光谱PLSR的VIP曲线如图5所示。
以每个波长变量的VIP大于1作为重要波长间隔提取准则,提取任何包含波长变量VIP大于1的的波长间隔,作为重要波长间隔,将所有重要波长间隔的波长列号均转换为波长索引号行向量,并顺序合并成一个区间光谱波长索引号行向量(本实施例将所有重要波长间隔的波长列号均转换为波长索引号行向量,并顺序合并成为区间光谱波长索引号行向量,在其它实施例中也可采用其它合并方式得到区间光谱波长索引号行向量)。
最后,设置改进遗传算法的种群规模为100,特征波长个数为25,重要区间光谱波长索引号行向量列号变化范围为特征波长索引号变化空间,进化代数为100,通过特征波长索引号获取土壤速效磷校正集可见近红外光谱数据矩阵各列数据,建立PLSR模型,以PLSR模型的均方根误差(RMSE)的倒数为特征波长向量个体的适应度函数F,适应度函数F迭代寻优曲线如图6所示。改进遗传算法选择的25个最优波长特征索引号转换成25个最优特征波长值,如表2所示,表2为改进遗传算法选择的土壤速效磷可见近红外光谱25个最优特征波长值。波长索引号与波长值之间的转换公式为:波长值=波长索引列号+350(nm)。
表2改进遗传算法选择的土壤速效磷可见近红外光谱25个最优特征波长值
改进遗传算法选择的25个最优特征波长分布图如图7所示,由此可见,位于光谱波长变量纯度梯度最大峰值所在波长范围800~1200nm内的最优特征波长有13个(855nm,…,1198nm),位于光谱波长变量纯度梯度中等峰值所在波长范围1200~1655nm内的最优特征波长有1个(1398nm),位于光谱波长变量纯度梯度较小峰值所在波长范围350~800nm内的最优特征波长有11个(360nm,…,498nm),证明了利用可见近红外光谱变量梯度集成遗传算法特征波长选择方法划分重要区间光谱的正确性。
本发明实施方式的有益效果是:利用土壤速效磷校正集可见近红外全光谱波长变量纯度梯度值划分波长间隔、PLSR模型的VIP大于1为准则提取对土壤速效磷含量预测解释性较强的重要波长间隔组成一个区间光谱,使改进遗传算法在区间光谱中选择潜在特征变量的概率大大增加,简化了回归模型结构,减少了计算量,提高了土壤速效磷含量的预测精度。
实施方式:一种光谱变量梯度集成遗传算法的特征波长选择***,包括:
偏最小二乘回归模型建立模块,用于利用可见近红外光谱扫描设备对多个样本扫描产生的光谱数据矩阵,对所述光谱数据矩阵包含的全光谱波长变量建立偏最小二乘回归模型,确定全光谱波长变量的重要性投影系数;
波长间隔划分模块,用于将光谱数据矩阵的全光谱划分为多个波长间隔;
重要波长间隔确定模块,用于从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的波长间隔,得到重要波长间隔;
遗传算法选择模块,用于将光谱数据矩阵重要波长间隔顺序合并成一个区间光谱,以区间光谱的随机组合特征波长向量作为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差;以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量。
用最优特征波长向量建立回归模型预测物质含量,可以有效提高回归模型的预测精度,简化回归模型结构,使回归模型更好泛化能力和鲁棒性。为近红外光谱分析仪的设计提供一种特征波长变量选择新方法。
在以上实施例的基础上,所述重要波长间隔确定模块还包括,得到重要波长间隔后分别用向后间隔偏最小二乘回归算法移除各个选定波长间隔中的一个波长变量到仅剩最后一个波长变量,寻找每个重要波长间隔中偏最小二乘回归模型的均方根误差最小对应的组合波长向量,构建各个新的重要波长间隔。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种光谱变量梯度集成遗传算法的特征波长选择方法,其特征在于,包括:
利用可见近红外光谱扫描设备对多个样本扫描产生可见近红外光谱数据矩阵,对所述可见近红外光谱数据矩阵包含的全光谱波长变量建立偏最小二乘回归模型,确定全光谱波长变量的重要性投影系数;
将可见近红外光谱数据矩阵的全光谱划分为多个波长间隔,从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的重要波长间隔并合并成为一个区间光谱;
以区间光谱的随机组合特征波长向量为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差;
以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量。
2.根据权利要求1所述的一种光谱变量梯度集成遗传算法的特征波长选择方法,其特征在于:得到重要波长间隔后分别用向后间隔偏最小二乘回归算法移除各个重要波长间隔中的一个波长变量到仅剩最后一个波长变量,寻找每个重要波长间隔中偏最小二乘回归模型的均方根误差最小对应的波长组合向量,构建各个新的重要波长间隔并合并成为一个区间光谱,以区间光谱的随机组合特征波长向量为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差。
3.根据权利要求1所述的一种光谱变量梯度集成遗传算法的特征波长选择方法,其特征在于:将全光谱划分为多个波长间隔的方法如下:
计算全光谱波长变量纯度行向量和全光谱波长变量在水平方向的纯度梯度向量;利用全光谱波长变量纯度梯度向量中梯度值的正负变化,将全光谱划分为多个波长间隔。
5.根据权利要求1所述的一种光谱变量梯度集成遗传算法的特征波长选择方法,其特征在于:根据选择的遗传算法的种群大小、交叉概率、变异概率和选择概率,形成新种群,其中变异算子采用实数编码差分变异算子,计算公式如下:
Z(i,j)=D×(E(r1,j)-E(r2,j))+E(i,j),
其中,Z(i,j)代表第i个个体的第j个染色体的实数编码子代值,D代表变异因子,E(r1,j)代表种群中随机产生的第r1个个体的第j个染色体的实数编码父代值,E(r2,j)代表种群中随机产生的第r2个个体的第j个染色体的实数编码父代值,E(r1,j)-E(r2,j)代表第r1个个体的第j个染色体的实数编码父代值与第r2个个体的第j个染色体的实数编码父代值之间的差值,E(i,j)代表第i个个体的第j个染色体的实数编码父代值。
6.根据权利要求1所述的一种光谱变量梯度集成遗传算法的特征波长选择方法,其特征在于:从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的重要波长间隔并合并成为一个区间光谱的方法如下:
将所有重要波长间隔中的波长列号均转换为区间光谱的波长索引号行向量;区间光谱的波长索引号行向量的列号范围为特征波长向量元素取值范围,通过列号与区间光谱波长索引号行向量的映射表,获取光谱数据矩阵的各列数据。
7.根据权利要求1所述的一种光谱变量梯度集成遗传算法的特征波长选择方法,其特征在于:最优特征波长个数设为15~100之间的常数,进化代数设为100~200之间的常数。
8.一种光谱变量梯度集成遗传算法的特征波长选择***,其特征在于,包括:
偏最小二乘回归模型建立模块,用于利用可见近红外光谱扫描设备对多个样本扫描产生可见近红外光谱数据矩阵,对所述可见近红外光谱数据矩阵包含的全光谱波长变量建立偏最小二乘回归模型,确定全光谱波长变量的重要性投影系数;
波长间隔划分模块,用于将光谱数据矩阵的全光谱划分为多个波长间隔;
重要波长间隔确定模块,用于从所有波长间隔中提取含有波长变量的重要性投影系数大于预定值的波长间隔,得到重要波长间隔;
遗传算法选择模块,用于将光谱数据矩阵的重要波长间隔合并成为一个区间光谱,以区间光谱的随机组合特征波长向量作为遗传算法的初始种群,求解偏最小二乘回归模型的均方根误差;以偏最小二乘回归模型的均方根误差的倒数为特征波长向量的适应度函数,选择适应度值最大的特征波长向量为最优特征波长向量;对初始种群进行选择、交叉和变异操作,将得到的新个体替换原种群形成新种群;迭代至进化代数,输出最终的最优特征波长向量。
9.根据权利要求8所述的一种光谱变量梯度集成遗传算法的特征波长选择***,其特征在于,所述重要波长间隔确定模块还包括,用于得到重要波长间隔后分别用向后间隔偏最小二乘回归算法移除各个选定波长间隔中的一个波长变量到仅剩最后一个波长变量,寻找每个重要波长间隔中偏最小二乘回归模型的均方根误差最小对应的组合波长向量,构建各个新的重要波长间隔。
10.根据权利要求8所述的一种光谱变量梯度集成遗传算法的特征波长选择***,其特征在于,所述光谱数据矩阵包括校正集样本光谱数据矩阵、校正集样本参考方法测试值矩阵、验证集样本光谱数据矩阵、验证集样本参考方法测试值矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006149.XA CN110726694A (zh) | 2019-10-22 | 2019-10-22 | 光谱变量梯度集成遗传算法的特征波长选择方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006149.XA CN110726694A (zh) | 2019-10-22 | 2019-10-22 | 光谱变量梯度集成遗传算法的特征波长选择方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110726694A true CN110726694A (zh) | 2020-01-24 |
Family
ID=69222756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006149.XA Pending CN110726694A (zh) | 2019-10-22 | 2019-10-22 | 光谱变量梯度集成遗传算法的特征波长选择方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110726694A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693487A (zh) * | 2020-05-28 | 2020-09-22 | 济南大学 | 基于遗传算法和极限学习机的水果糖度检测方法及*** |
CN112444500A (zh) * | 2020-11-11 | 2021-03-05 | 东北大学秦皇岛分校 | 一种基于光谱的阿尔茨海默症智能检测装置 |
CN112881333A (zh) * | 2021-01-13 | 2021-06-01 | 江南大学 | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 |
CN113075148A (zh) * | 2021-03-22 | 2021-07-06 | 久泰能源(准格尔)有限公司 | 一种mto工艺中催化剂表面碳含量的测定方法 |
CN113267466A (zh) * | 2021-04-02 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和*** |
CN114166764A (zh) * | 2021-11-09 | 2022-03-11 | 中国农业科学院农产品加工研究所 | 基于特征波长筛选的光谱特征模型的构建方法及装置 |
CN116026780A (zh) * | 2023-03-28 | 2023-04-28 | 江西中医药大学 | 基于串联策略波长选择的包衣吸湿率在线检测方法及*** |
CN116959628A (zh) * | 2023-07-25 | 2023-10-27 | 安及义实业(上海)有限公司 | 用于细胞培养全过程的物质成分分析方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5435309A (en) * | 1993-08-10 | 1995-07-25 | Thomas; Edward V. | Systematic wavelength selection for improved multivariate spectral analysis |
CN101430276A (zh) * | 2008-12-15 | 2009-05-13 | 北京航空航天大学 | 一种光谱分析中波长变量优选方法 |
CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
-
2019
- 2019-10-22 CN CN201911006149.XA patent/CN110726694A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5435309A (en) * | 1993-08-10 | 1995-07-25 | Thomas; Edward V. | Systematic wavelength selection for improved multivariate spectral analysis |
CN101430276A (zh) * | 2008-12-15 | 2009-05-13 | 北京航空航天大学 | 一种光谱分析中波长变量优选方法 |
CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
CN105630743A (zh) * | 2015-12-24 | 2016-06-01 | 浙江大学 | 一种光谱波数的选择方法 |
Non-Patent Citations (6)
Title |
---|
QUANSHENG CHEN: "Determination of total polyphenols content in green tea using FT-NIRspectroscopy and different PLS algorithms", 《JOURNAL OF PHARMACEUTICAL AND BIOMEDICAL ANALYSIS》 * |
北京邮电大学数学系: "《高等数学 下》", 31 July 2012, 北京邮电大学出版社 * |
姚锡凡 等: "《制造物联网技术》", 31 October 2018, 华中科技大学出版社 * |
张明锦 等: "《基于变量纯度的波长选择方法在近红外光谱分析中的应用》", 《计算机与应用化学》 * |
李志刚: "《光谱数据处理与定量分析技术》", 30 June 2017, 北京邮电大学出版社 * |
邹小波 等: "《农产品无损检测技术与数据分析方法》", 31 January 2018, 中国轻工业出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693487A (zh) * | 2020-05-28 | 2020-09-22 | 济南大学 | 基于遗传算法和极限学习机的水果糖度检测方法及*** |
CN112444500A (zh) * | 2020-11-11 | 2021-03-05 | 东北大学秦皇岛分校 | 一种基于光谱的阿尔茨海默症智能检测装置 |
CN112881333A (zh) * | 2021-01-13 | 2021-06-01 | 江南大学 | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 |
CN113075148A (zh) * | 2021-03-22 | 2021-07-06 | 久泰能源(准格尔)有限公司 | 一种mto工艺中催化剂表面碳含量的测定方法 |
CN113075148B (zh) * | 2021-03-22 | 2023-06-16 | 久泰能源(准格尔)有限公司 | 一种mto工艺中催化剂表面碳含量的测定方法 |
CN113267466A (zh) * | 2021-04-02 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
CN114166764A (zh) * | 2021-11-09 | 2022-03-11 | 中国农业科学院农产品加工研究所 | 基于特征波长筛选的光谱特征模型的构建方法及装置 |
CN114019082A (zh) * | 2021-11-19 | 2022-02-08 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和*** |
CN114019082B (zh) * | 2021-11-19 | 2024-05-14 | 安徽省农业科学院土壤肥料研究所 | 一种土壤有机质含量监测方法和*** |
CN116026780A (zh) * | 2023-03-28 | 2023-04-28 | 江西中医药大学 | 基于串联策略波长选择的包衣吸湿率在线检测方法及*** |
CN116026780B (zh) * | 2023-03-28 | 2023-07-14 | 江西中医药大学 | 基于串联策略波长选择的包衣吸湿率在线检测方法及*** |
CN116959628A (zh) * | 2023-07-25 | 2023-10-27 | 安及义实业(上海)有限公司 | 用于细胞培养全过程的物质成分分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726694A (zh) | 光谱变量梯度集成遗传算法的特征波长选择方法和*** | |
Yun et al. | A hybrid variable selection strategy based on continuous shrinkage of variable space in multivariate calibration | |
CN101430276B (zh) | 光谱分析中波长变量优选的方法 | |
CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
US20210247367A1 (en) | Workflow-based model optimization method for vibrational spectral analysis | |
US8635258B2 (en) | Alignment of multiple liquid chromatography-mass spectrometry runs | |
Yu et al. | Prediction of soil properties based on characteristic wavelengths with optimal spectral resolution by using Vis-NIR spectroscopy | |
CN106650926A (zh) | 一种稳健的boosting极限学习机集成建模方法 | |
Chen et al. | A novel variable selection method based on stability and variable permutation for multivariate calibration | |
CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及*** | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及*** | |
Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
Tan et al. | Mutual information-induced interval selection combined with kernel partial least squares for near-infrared spectral calibration | |
CN114216877A (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及*** | |
Xia et al. | Non-destructive analysis the dating of paper based on convolutional neural network | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
CN116779172A (zh) | 一种基于集成学习的肺癌疾病负担风险预警方法 | |
CN109063767B (zh) | 一种基于样本和变量共识的近红外光谱建模方法 | |
CN108120694A (zh) | 用于晒红烟化学成分分析的多元校正方法及*** | |
CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 | |
CN110632024B (zh) | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 | |
CN113125377A (zh) | 一种基于近红外光谱检测柴油性质的方法及装置 | |
CN115398552A (zh) | 遗传算法用于基于拉曼光谱识别样品特征的用途 | |
Follett et al. | Achieving parsimony in bayesian VARs with the horseshoe prior | |
CN112509643B (zh) | 一种定量分析模型构建方法、定量分析方法、装置及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |