專利名稱：基于模擬退火-遺傳算法近紅外光譜特征子區(qū)間選擇方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種對農(nóng)產(chǎn)品、食品品質(zhì)進(jìn)行分析的近紅外光譜特征子區(qū)間的選擇方法，特指一種基于模擬退火-遺傳算法的近紅外光譜特征子區(qū)間的選擇方法。
背景技術(shù)：
近紅外光譜因分析速度快、效率高等特點(diǎn)越來越廣泛地運(yùn)用到農(nóng)產(chǎn)品、食品品質(zhì) 分析中，但近紅外光譜也存在一定的不足，如背景復(fù)雜、信息強(qiáng)度低，譜峰重疊等，難以用常 規(guī)的譜圖解析方法解析，因此，如何有效地從大量近紅外光譜數(shù)據(jù)中提取特征信息成為本 領(lǐng)域研究的重點(diǎn)。樣品在近紅外光譜的某個或者某幾個波段發(fā)生特征吸收，決定了高信息量波數(shù)點(diǎn) 鄰近的波數(shù)點(diǎn)具有較高的信息量，即近紅外光譜數(shù)據(jù)具有一定的連續(xù)相關(guān)性。根據(jù)近紅外 光譜數(shù)據(jù)的這一特點(diǎn)，兼顧減少波長選擇算法計(jì)算量，提高算法效率等要求，通常將近紅外 全光譜分成若干個子區(qū)間，以區(qū)間為單位進(jìn)行波長選擇。經(jīng)典光譜區(qū)間選擇算法有間隔偏 最小二乘法，該算法將全光譜分成若干個子區(qū)間，分別計(jì)算各個子區(qū)間的交互驗(yàn)證均方根 誤差值RMSECV(Root Mean Square of Cross Validation)，將交換驗(yàn)證均方根誤差最小的 一個區(qū)間作為建模區(qū)間。間隔偏最小二乘算法的衍生算法有聯(lián)合區(qū)間偏最小二乘法、向前/ 向后區(qū)間偏最小二乘算法、移動窗口偏最小二乘法等，同經(jīng)典區(qū)間偏最小二乘算法相比，衍 生算法不僅考察單一區(qū)間，還有幾個區(qū)間的聯(lián)合。這些算法雖然能提取光譜的特征信息，但 劃分子區(qū)間的過程具有一定的主觀性。遺傳算法是20世紀(jì)70年代興起的一門新興學(xué)科，它基于對生物界自然選擇和自 然遺傳機(jī)制的模擬來解決實(shí)際問題，是一種具有高度的并行、隨機(jī)和自適應(yīng)性的搜索算法。 近年來有學(xué)者將遺傳算法同經(jīng)典間隔偏最小二乘算法相結(jié)合，用于選擇近紅外光譜的特征 子區(qū)間，模擬自然界遺傳變異等自然進(jìn)化過程，求解特征子區(qū)間的最優(yōu)組合，但仍然存在一 些不足，如劃分子區(qū)間往往依靠經(jīng)驗(yàn)進(jìn)行，具有一定的主觀性；遺傳算法容易發(fā)生過早收斂 而陷入局部最優(yōu)解，不能確保得到全局最優(yōu)近似解等。模擬退火算法是基于Mote Carlo迭代求解策略的一種隨機(jī)尋優(yōu)算法，其出發(fā)點(diǎn)是 基于物理退火過程與組合優(yōu)化之間的相似性。模擬退火算法由一較高初溫開始，利用具有 概率突跳性的Metropolis抽樣策略在待選解組合中進(jìn)行隨機(jī)搜索，伴隨溫度不斷下降重 復(fù)抽樣過程，最終得到問題的全局最優(yōu)解，適用解決大規(guī)模組合優(yōu)化問題。

發(fā)明內(nèi)容
為克服現(xiàn)有技術(shù)中近紅外光譜劃分子區(qū)間具有一定主觀性的不足，確保得到全局 最優(yōu)近似解，本發(fā)明提出了一種基于模擬退火-遺傳算法近紅外光譜特征子區(qū)間選擇方 法，將模擬退火算法中的核心Metropolis接受準(zhǔn)則引入遺傳算法，在保證遺傳算法執(zhí)行效 率的基礎(chǔ)上防止過早的陷入局部最優(yōu)解，從而得到近紅外光譜特征子區(qū)間的最優(yōu)組合。本發(fā)明采用的技術(shù)方案是先對近紅外光譜進(jìn)行預(yù)處理，再對預(yù)處理后的近紅外光譜動態(tài)劃分子區(qū)間，將模擬退火算法中的Metropolis準(zhǔn)則引入遺傳算法中的基因交換 和基因選擇算子，使用模擬退火-遺傳算法選擇最優(yōu)特征子區(qū)間，最后判斷最佳子區(qū)間劃 分方式和最優(yōu)特征子區(qū)間組合，對入選的最優(yōu)特征子區(qū)間建立PLS模型。本發(fā)明采用上述技術(shù)方案后得到以下效果1、將模擬退火算法中的Metropolis準(zhǔn)則引入交換算子和變異算子，通過改進(jìn)后 的變異和交換算子產(chǎn)生高質(zhì)量的子代個體，既提高了群體總體的適應(yīng)度水平，又為種群進(jìn) 化提供了足夠動力。2、Metr0p0lis準(zhǔn)則的引入有效地解決了傳統(tǒng)遺傳算法過早收斂、陷入局部最優(yōu)解 的不足；動態(tài)劃分光譜子區(qū)間，有效地避免了建模過程中依靠經(jīng)驗(yàn)人工指定光譜子區(qū)間總 數(shù)帶來的不足。3、基于模擬退火-遺傳算法的近紅外光譜特征子區(qū)間選擇方法為快速得到精度 高、預(yù)測能力強(qiáng)的光譜模型打下了堅(jiān)實(shí)的基礎(chǔ)。
以下結(jié)合附圖和具體實(shí)施方式
對本發(fā)明作進(jìn)一步詳細(xì)說明。

圖1是本發(fā)明流程圖；圖2是Metropolis接受準(zhǔn)則示意圖；圖3是引入Metropolis準(zhǔn)則的交換算子示意圖；圖4是引入Metropolis準(zhǔn)則的變異算子示意圖；圖5是模擬退火_遺傳算法特征子區(qū)間選擇結(jié)果圖；圖6是模擬退火_遺傳算法與傳統(tǒng)遺傳算法建模效果比較結(jié)果圖；圖7是標(biāo)準(zhǔn)正交變換預(yù)處理后的黃瓜葉葉黃素近紅外光譜圖。
具體實(shí)施例方式本發(fā)明先對近紅外光譜進(jìn)行預(yù)處理，用適當(dāng)?shù)南敕椒ㄌ幚磙r(nóng)產(chǎn)品、食品原始近 紅光譜后得到的光譜，消噪方法包括標(biāo)準(zhǔn)正交變化、多元散射校正、中心化、一階/ 二階導(dǎo) 數(shù)預(yù)處理方法等；同時(shí)光譜預(yù)處理過程還包括對校正集和預(yù)測集樣本的劃分。對預(yù)處理后 的近紅外光譜動態(tài)劃分子區(qū)間，劃分子區(qū)間時(shí)，子區(qū)間數(shù)在一個范圍[m，n]內(nèi)動態(tài)變化。算 法后續(xù)處理將在[m，n]范圍內(nèi)選取最優(yōu)特征子區(qū)間數(shù)，當(dāng)光譜子區(qū)間數(shù)為k e [m,n]時(shí)，全 光譜等分為k個子區(qū)間，如果總波數(shù)點(diǎn)數(shù)除以k等于P，存在余數(shù)q，則前q個子區(qū)間中每個 子區(qū)間波數(shù)點(diǎn)個數(shù)為P+1，剩余子區(qū)間中每個子區(qū)間波數(shù)點(diǎn)個數(shù)為P。模擬退火算法中Metropolis準(zhǔn)則是指模擬退火算法中用于判斷新解、舊解重要 性的一種判斷法則。Metropolis準(zhǔn)則根據(jù)舊解、新解對應(yīng)的目標(biāo)函數(shù)值，判斷舊解、新解中 哪個解是重要解，如果新解被認(rèn)為是重要解，則用新解取代舊解進(jìn)入下一次迭代；反之則維 持舊解不變。針對最優(yōu)特征子區(qū)間問題，假設(shè)舊解X、新解y對應(yīng)的目標(biāo)函數(shù)值分別為f (χ) 和f (y)，那么基于如下Metropolis準(zhǔn)則判斷舊解χ、新解y的重要性當(dāng)f (y) > f(x)時(shí)，
新解為重要解，否則判斷下式凡=exp(f(x)-f(y)/t))>r [O, 1]是否成立，其中Pt是新解轉(zhuǎn)移概率，r由范圍為0 1的均勻概率密度函數(shù)隨機(jī)產(chǎn)生；如果上式成立，則認(rèn)為新解y是重要解，否則認(rèn)為舊解X是重要解。本發(fā)明將上述模擬退火算法中的Metropolis準(zhǔn)則引入遺傳算法中的基因交換和 基因選擇算子，稱為“模擬退火_遺傳算法”，即在傳統(tǒng)基因交換算子和基因變異算子時(shí)，父 輩染色體通過基因交換或者基因變異產(chǎn)生子代染色體，引入Metropolis準(zhǔn)則判斷父輩染 色體(對應(yīng)舊解χ)和子代染色體(對應(yīng)新解y)的重要性，如果子代染色體比父輩染色體 重要，則接受子代染色體，否則拒絕子代染色體。使用模擬退火-遺傳算法選擇光譜最優(yōu)特征子區(qū)間，結(jié)合引入Metropo 1 i s準(zhǔn)則的 基因交換、基因變異算子和傳統(tǒng)遺傳算法的其它算子，對劃分子區(qū)間后的近紅外光譜選擇 最優(yōu)特征子區(qū)間，智能判斷最佳子區(qū)間劃分方式和最優(yōu)特征子區(qū)間組合，對入選的最優(yōu)特 征子區(qū)間建立校正集和預(yù)測集的PLS模型，并計(jì)算校正集均方根誤差、預(yù)測集均方根誤差、 校正集相關(guān)系數(shù)、預(yù)測集相關(guān)系數(shù)等建模參數(shù)。本發(fā)明劃分子區(qū)間以及選擇最優(yōu)特征子區(qū)間需要設(shè)置如下參數(shù)(1)最小子區(qū)間數(shù)Itl 指至少將全光譜劃分為Itl個子區(qū)間。(2)最大子區(qū)間數(shù)If 指至多將全光譜劃分為If個子區(qū)間。(3)目標(biāo)函數(shù)f (χ)目標(biāo)函數(shù)的作用是判斷當(dāng)前解χ的質(zhì)量，一般情況下f (X)值 越高，代表當(dāng)前解χ的質(zhì)量越好。本發(fā)明模擬退火-遺傳算法的目標(biāo)是優(yōu)選特征子區(qū)間，當(dāng) 前被選入所有特征子區(qū)間被看成是當(dāng)前解X，目標(biāo)函數(shù)定義為f(x) = 1/(1+RMSECV)，其中 RMSECV為選入的所有區(qū)間PLS模型對應(yīng)的交互驗(yàn)證均方根誤差值。(4)基因編碼由于遺傳算法不能直接處理二位近紅外光譜數(shù)據(jù)，需要通過二進(jìn) 制編碼將它們表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)，1表示對應(yīng)位置的基因被選中，0則表 示對應(yīng)位置的基因沒有被選擇。如0011001101，表示染色體共有10個基因，其中第3、4、7、 8、10位置對應(yīng)基因被選中。(5)種群大小指種群中染色體的個數(shù)和每個染色體中基因的多少，其中基因的 多少一般根據(jù)實(shí)際問題的參數(shù)決定。針對特征子區(qū)間選擇問題，一般選擇染色體數(shù)為30 100，基因的個數(shù)等于子區(qū)間的個數(shù)。(6)基因交換概率P?；蚪粨Q過程中，參與基因交換的染色體個體占染色體總數(shù) 的比率，一般設(shè)置基因交換概率為0. 65 0. 9.(7)基因變異概率Pm 基因變異過程中，參與基因變異的染色體個體占染色體總是 的比率，一般設(shè)置基因變異概率為0. 001 0. 1。(8)初始化溫度、對應(yīng)于固體退火過程中的初始溫度，通常設(shè)置初始溫度為 200 1000 度。(9)溫度衰減函數(shù)g(a )用于控制固體退火過程中的溫度冷卻速率，通常設(shè)tk+1 =tkg(a) = a tk, α取值范圍通常為0. 5 0. 99。(10)結(jié)束溫度、當(dāng)退火溫度達(dá)到結(jié)束溫度時(shí)，固體將達(dá)到某一穩(wěn)定狀態(tài)，固體退火過程結(jié)束，一般設(shè)置退火溫度tf為0度左右。對劃分特征子區(qū)間后的近紅外光譜選擇最優(yōu)特征子區(qū)間采用如下處理步驟(1)子區(qū)間數(shù)為i時(shí)，將近紅外光譜劃分為i個子區(qū)間，進(jìn)行二進(jìn)制基因編碼，基因 個數(shù)為子區(qū)間數(shù)i。(2)染色體初始化，隨機(jī)產(chǎn)生給定大小的初始群體。
(3)溫度為t時(shí)，計(jì)算群體中染色體的目標(biāo)函數(shù)f (χ)，采用選擇算子選擇適應(yīng)度高 的個體，淘汰適應(yīng)度低的個體，實(shí)現(xiàn)種群的優(yōu)勝劣汰。(4)采用將模擬退火算法中的Metropolis準(zhǔn)則引入遺傳算法中的改進(jìn)后的基因 交換算子、基因變異算子進(jìn)行基因交換和基因變異操作。(5)根據(jù)溫度衰減函數(shù)g( α )減低溫度t，如果t不等于結(jié)束溫度tf，重復(fù)執(zhí)行步 驟(3) (4)，如果等于結(jié)束溫度tf，則執(zhí)行步驟(6)。(6)子區(qū)間數(shù)i增加1，如果i不等于最大子區(qū)間數(shù)If，則重復(fù)執(zhí)行(1) (5)，如 果i等于最大子區(qū)間數(shù)If，則執(zhí)行步驟(7)。(7)判斷最佳子區(qū)間總數(shù)及選中的最優(yōu)特征子區(qū)間。本發(fā)明基于模擬退火_遺傳算法近紅外光譜特征子區(qū)間選擇方法的具體步驟如 圖1所示，對近紅外光譜進(jìn)行預(yù)處理后，當(dāng)子區(qū)間總數(shù)i = Io時(shí)，對全光譜進(jìn)行特征子區(qū)間 劃分，并進(jìn)行二進(jìn)制基因編碼，隨機(jī)初始化種群。確定初始種群后，退火溫度t從起始溫度 to開始，根據(jù)溫度衰減函數(shù)g( α )徐徐降低，每當(dāng)溫度t降低時(shí)，計(jì)算種群中每個個體的適 應(yīng)度，通過染色體選擇算子選擇父輩染色體，根據(jù)改進(jìn)后的基因交換算子進(jìn)行基因交換，根 據(jù)改進(jìn)后的基因變異算子進(jìn)行基因變異，反復(fù)執(zhí)行上述過程至退火溫度達(dá)到結(jié)束溫度時(shí)， 保存子區(qū)間總數(shù)i = IO時(shí)對應(yīng)的最優(yōu)解，并按i = i+1的方式遞增，按照相同步驟計(jì)算新 子區(qū)間總數(shù)對應(yīng)的最優(yōu)解，重復(fù)上述過程直到子區(qū)間總數(shù)i大于結(jié)束窗口寬 度If。此時(shí)已 經(jīng)得到了不同子區(qū)間總數(shù)i e [10，If]對應(yīng)的優(yōu)化解，從這些優(yōu)化解中選擇目標(biāo)函數(shù)值最 大的解記為Xi，Xi為近紅外光譜的全局最優(yōu)特征子區(qū)間集合，下標(biāo)i為取得最優(yōu)解時(shí)對應(yīng)的 子區(qū)間總數(shù)。最后，根據(jù)選出的全局最優(yōu)解建立校正集與預(yù)測集模型。如圖2，顯示了 Metropolis準(zhǔn)則判斷新解舊解重要性的過程。將新解轉(zhuǎn)移概率pt 和隨機(jī)概率密度函數(shù)r e
進(jìn)行比較，如果Pt >r成立則表示新解被接受，否則維持 舊解不變。具體判斷過程如下dDMetropolis準(zhǔn)則首先計(jì)算舊解χ新解y對應(yīng)的目標(biāo)函 數(shù)值f (x)f (y) ； (2)生產(chǎn)隨機(jī)概率密度函數(shù)值r ； (3)計(jì)算新解轉(zhuǎn)移概率；(4)比較新解轉(zhuǎn)移 概率pt和隨機(jī)概率函數(shù)值r的大小，若pt大于或者等于r，則用新解代替舊解，否則，舊解 保持不變。根據(jù)此準(zhǔn)則可以得出如下Metropolis準(zhǔn)則不但可以接受優(yōu)化解，而且能夠以 一定的概率接受惡化解，為避免算法陷入局部最優(yōu)解提供了保障。圖3圖4顯示了改進(jìn)后的基因交換算子和基因變異算子流程圖，因?yàn)楦倪M(jìn)后的基 因交換算子和改進(jìn)后的基因變異算子類似，以改進(jìn)后的基因交換算子為例，詳細(xì)說明該算 子的工作流程。在傳統(tǒng)遺傳操作的基礎(chǔ)上引進(jìn)了模擬退火算法中的Metropolis接受準(zhǔn)則， 在原來基礎(chǔ)上增大正變異發(fā)生的概率，減小負(fù)變異發(fā)生概率，保證算法能跳出局部最優(yōu)解 向全局最優(yōu)解收斂。交換算子從父輩群體中隨機(jī)選取父輩個體(記為Pi)，通過基因交換產(chǎn) 生子代新個體(記為Ci)，分別計(jì)算它們的適應(yīng)度值f (Pi)和f (Ci)，按照Metropolis準(zhǔn)則 判斷是否接受新產(chǎn)生的個體。具體判斷過程如圖3所示。實(shí)施例如圖7為經(jīng)過標(biāo)準(zhǔn)正交變化預(yù)處理后的100片黃瓜葉近紅外光譜圖，光譜范圍 10000 4000cm—1，掃描次數(shù)為32次；波數(shù)間隔為7. 712cm-1 ；分辨率為16cm—1。其中70片 葉子的光譜作為校正集，剩余30片葉子的近紅外光譜作為預(yù)測集。設(shè)定最小、最大子區(qū)間 數(shù)分別為30、60，群體個數(shù)為60，基因交換概率0. 9，基因變異概率0. 01，初始溫度200，結(jié)束溫度0. 1，溫度衰減系數(shù)0. 95，采用模擬退火-遺傳算法選擇特征子區(qū)間，具體過程如下(1)當(dāng)子區(qū)間數(shù)為30時(shí)，將全光譜劃分為30個子區(qū)間，并進(jìn)行二進(jìn)制編碼；(2)群體染色體數(shù)為60，每條染色體基因數(shù)為30，對群體進(jìn)行初始化操作；(3)當(dāng)溫度為200時(shí)，計(jì)算群體中染色體適應(yīng)度，采用選擇算子選擇適應(yīng)度高的個 體，淘汰適應(yīng)度低的個體，實(shí)現(xiàn)種群的優(yōu)勝劣汰。(4)采用改進(jìn)后的基因交換算子、基因變異算子進(jìn)行基因交換和基因變異操作。(5)根據(jù)溫度衰減函數(shù)減低溫度，如果溫度不等于結(jié)束溫度，重復(fù)執(zhí)行步驟(3)
(4)，如果等于結(jié)束溫度，則執(zhí)行步驟(6)。
(6)子區(qū)間數(shù)增加1，如果子區(qū)間數(shù)不等于最大子區(qū)間數(shù)60，則重復(fù)執(zhí)行⑴
(5)，如果子區(qū)間數(shù)等于最大子區(qū)間數(shù)60，則執(zhí)行步驟(7)。(7)判斷得到子區(qū)間數(shù)為40時(shí)，選擇了 7個子區(qū)間，分別為第3、5、14、18、21、32、
33子區(qū)間，建立的模型最優(yōu)。圖5為采用模擬退火_遺傳算法對黃瓜葉葉黃素近紅外光譜特征子區(qū)間選擇結(jié)^ ο圖6為模擬退火_遺傳算法與傳統(tǒng)遺傳算法建模黃瓜葉葉黃素模型效果比較結(jié) 果，圖6中橫坐標(biāo)為建模次數(shù)，縱坐標(biāo)為光譜模型的校正集相關(guān)系數(shù)，帶Δ標(biāo)志的曲線為采 用模擬退火-遺傳算法對黃瓜葉葉黃素近紅外光譜建模得到的校正集相關(guān)系數(shù)，帶□標(biāo)志 的曲線為采用傳統(tǒng)遺傳算法得到的黃瓜葉葉黃素近紅外模型對應(yīng)的校正集相關(guān)系數(shù)。從圖 6中可以看出，模擬退火-遺傳算法得到的光譜模型要優(yōu)于傳統(tǒng)遺傳算法建立的光譜模型。
權(quán)利要求
一種基于模擬退火-遺傳算法近紅外光譜特征子區(qū)間選擇方法，其特征是先對近紅外光譜進(jìn)行預(yù)處理，再對預(yù)處理后的近紅外光譜動態(tài)劃分子區(qū)間，將模擬退火算法中的Metropolis準(zhǔn)則引入遺傳算法中的基因交換和基因選擇算子，使用模擬退火-遺傳算法選擇最優(yōu)特征子區(qū)間，最后判斷最佳子區(qū)間劃分方式和最優(yōu)特征子區(qū)間組合，對入選的最優(yōu)特征子區(qū)間建立PLS模型。
2.根據(jù)權(quán)利要求1所述的基于模擬退火_遺傳算法近紅外光譜特征子區(qū)間選擇方法， 其特征是劃分子區(qū)間以及使用模擬退火-遺傳算法選擇最優(yōu)特征子區(qū)間需設(shè)置的參數(shù) 為最小子區(qū)間數(shù)k、最大子區(qū)間數(shù)If、目標(biāo)函數(shù)f (x)、基因編碼、種群大小、基因交換概率 P。、基因變異概率Pm、初始化溫度、、溫度衰減函數(shù)g( a )和結(jié)束溫度tf。
3.根據(jù)權(quán)利要求2所述的基于模擬退火_遺傳算法近紅外光譜特征子區(qū)間選擇方法， 其特征是選擇最優(yōu)特征子區(qū)間采用如下步驟(1)子區(qū)間數(shù)為i時(shí)，將近紅外光譜劃分為i個子區(qū)間進(jìn)行二進(jìn)制基因編碼，基因個數(shù) 為子區(qū)間數(shù)i ；(2)染色體初始化，隨機(jī)產(chǎn)生給定大小的初始群體；(3)溫度為t時(shí)，計(jì)算群體中染色體的目標(biāo)函數(shù)f(x)，采用選擇算子選擇適應(yīng)度高的個 體，淘汰適應(yīng)度低的個體，實(shí)現(xiàn)種群的優(yōu)勝劣汰；(4)采用將模擬退火算法中的Metropolis準(zhǔn)則引入遺傳算法中的改進(jìn)后的基因交換 算子、基因變異算子進(jìn)行基因交換和基因變異操作；(5)根據(jù)溫度衰減函數(shù)g(a)減低溫度t，若t不等于結(jié)束溫度tf，重復(fù)執(zhí)行步驟(3) (4)，若等于結(jié)束溫度、，則執(zhí)行步驟(6)；(6)子區(qū)間數(shù)i增加1，若i不等于最大子區(qū)間數(shù)If，則重復(fù)執(zhí)行(1) (5)，若1等于 最大子區(qū)間數(shù)If，則執(zhí)行步驟(7)；(7)判斷最佳子區(qū)間總數(shù)及選中的最優(yōu)特征子區(qū)間。
4.根據(jù)權(quán)利要求3所述的基于模擬退火_遺傳算法近紅外光譜特征子區(qū)間選擇方法， 其特征是步驟(4)所述改進(jìn)后的基因交換算子、基因變異算子進(jìn)行基因交換和基因變異 操作的方法是增大正變異發(fā)生的概率，減小負(fù)變異發(fā)生概率，交換算子從父輩群體中隨機(jī) 選取父輩個體，通過基因交換產(chǎn)生子代新個體，分別計(jì)算其適應(yīng)度值，按照Metropolis準(zhǔn) 則判斷是否接受新產(chǎn)生的個體。
5.根據(jù)權(quán)利要求1所述的基于模擬退火_遺傳算法近紅外光譜特征子區(qū)間選擇方法， 其特征是所述模擬退火算法中的Metropolis準(zhǔn)則是根據(jù)舊解、新解對應(yīng)的目標(biāo)函數(shù)值判 斷舊解、新解中哪個解是重要解，若新解被認(rèn)為是重要解，則用新解取代舊解進(jìn)入下一次迭 代；反之則維持舊解不變。
6.根據(jù)權(quán)利要求1所述的基于模擬退火_遺傳算法近紅外光譜特征子區(qū)間選擇方法， 其特征是劃分的子區(qū)間數(shù)在一個范圍[m，n]內(nèi)動態(tài)變化，使用模擬退火_遺傳算法選擇 最優(yōu)特征子區(qū)間在范圍[m，n]內(nèi)選取，當(dāng)子區(qū)間數(shù)為k G [m, n]時(shí)，全光譜等分為k個子 區(qū)間，若總波數(shù)點(diǎn)數(shù)除以k等于p，存在余數(shù)q，則前q個子區(qū)間中每個子區(qū)間波數(shù)點(diǎn)個數(shù)為 P+1，剩余子區(qū)間中每個子區(qū)間波數(shù)點(diǎn)個數(shù)為P。
全文摘要
本發(fā)明公開了一種基于模擬退火-遺傳算法近紅外光譜特征子區(qū)間選擇方法，先對近紅外光譜進(jìn)行預(yù)處理，再對預(yù)處理后的近紅外光譜動態(tài)劃分子區(qū)間，將模擬退火算法中的Metropolis準(zhǔn)則引入遺傳算法中的基因交換和基因選擇算子，使用模擬退火-遺傳算法選擇最優(yōu)特征子區(qū)間，最后判斷最佳子區(qū)間劃分方式和最優(yōu)特征子區(qū)間組合，對入選的最優(yōu)特征子區(qū)間建立PLS模型。本發(fā)明通過改進(jìn)后的變異和交換算子產(chǎn)生高質(zhì)量的子代個體，既提高了群體總體的適應(yīng)度水平，又為種群進(jìn)化提供了足夠動力；有效避免了建模過程中依靠經(jīng)驗(yàn)人工指定光譜子區(qū)間總數(shù)帶來的不足，可快速得到精度高、預(yù)測能力強(qiáng)的光譜模型。
文檔編號G01N21/00GK101832909SQ20101012393
公開日2010年9月15日 申請日期2010年3月12日 優(yōu)先權(quán)日2010年3月12日
發(fā)明者殷曉平, 石吉勇, 蔡建榮, 趙杰文, 鄒小波, 陳全勝, 陳正偉, 黃星奕 申請人:江蘇大學(xué)