基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法
【專利摘要】本發(fā)明公開一種基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，包括如下步驟：（1）對同步熒光光譜進行導(dǎo)數(shù)預(yù)處理和去噪預(yù)處理；（2）應(yīng)用遺傳優(yōu)化算法選擇同步熒光光譜特征波長；（3）應(yīng)用遺傳優(yōu)化算法優(yōu)化支持向量回歸（Supportvectorregression，SVR）模型核函數(shù)參數(shù)(c,g，p)，進而建立基于遺傳優(yōu)化算法的SVR預(yù)測模型。本發(fā)明提出的方法，有益于肉類及蛋類食品中抗生素殘留的預(yù)測模型精度和速度的提高，提供了一種快速、方便的肉類及蛋類食品中抗生素殘留檢測方法。
【專利說明】基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種同步熒光光譜特征波長選擇方法，尤其涉及一種用于肉類（如鴨 肉、雞肉、鵝肉、豬肉等）及蛋類(鴨蛋、雞蛋、鵝蛋等）食品中抗生素殘留的基于遺傳優(yōu)化算 法的同步熒光光譜特征波長選擇方法。

【背景技術(shù)】
[0002] 目前關(guān)于肉類及蛋類食品中抗生素殘留常用檢測方法主要有高效液相色譜法、氣 相色譜法等理化檢測方法，酶聯(lián)免疫檢測法和微生物學(xué)方檢測法等。雖然這些方法對肉類 及蛋類食品中抗生素殘留檢測可獲得較好的檢測精度，但需對樣品進行復(fù)雜的前處理，操 作費時繁瑣，不利于快速、簡單、大批量檢測。
[0003] 隨著熒光光譜技術(shù)與化學(xué)計量學(xué)的發(fā)展，熒光光譜技術(shù)在食品品質(zhì)檢測中得到了 廣泛的應(yīng)用。同步熒光光譜法作為一種熒光光譜分析技術(shù)，具有簡化光譜、窄化譜帶、減小 散射光影響和光譜重疊等優(yōu)點，也日益受到重視。而含有抗生素殘留的肉類及蛋類食品的 熒光光譜比較復(fù)雜，影響因素較多，熒光峰的位置會發(fā)生波動，較難直接確定精確的抗生素 熒光特征峰值與肉類及蛋類食品中抗生素殘留含量之間的定量對應(yīng)關(guān)系。而應(yīng)用全光譜建 立的預(yù)測模型因輸入變量較多使得模型建立和預(yù)測時間較長，不利于快速檢測。因此，有必 要從全光譜中提取有用的光譜特征波長，以提高模型的運行速度。
[0004] 遺傳優(yōu)化算法作為模仿自然界生物進化機制發(fā)展起來的一種具有高度并行、隨機 和自適應(yīng)的全局搜索方法，具有簡單、魯棒性好的優(yōu)點，在光譜特征波長選擇和模型參數(shù)優(yōu) 化方面得到了廣泛應(yīng)用。同步熒光光譜特征波長的個數(shù)關(guān)系到模型的運行速度和效率，同 時支持向量回歸（Support vector regression, SVR)預(yù)測模型中的參數(shù)設(shè)置關(guān)系到模型的 預(yù)測精度。因此，遺傳優(yōu)化算法的應(yīng)用有益于剔除對建模無用的同步熒光光譜波長，提高預(yù) 測模型的精度與運算速度。
[0005]


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，適應(yīng)現(xiàn)實需要，提供一種基于遺傳優(yōu)化 算法的同步熒光光譜特征波長選擇方法，旨在提出一種肉類及蛋類食品中抗生素殘留的基 于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，并用本方法篩選出來的同步熒光光譜 特征波長建立基于遺傳優(yōu)化算法的SVR預(yù)測模型，以提高預(yù)測模型的精度與運算速度。
[0007] 為了實現(xiàn)本發(fā)明的目的，本采用的技術(shù)方案為： 一種基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，包括如下步驟： ⑴對同步熒光光譜進行導(dǎo)數(shù)預(yù)處理； ⑵對導(dǎo)數(shù)預(yù)處理后的同步熒光光譜進行去噪預(yù)處理； ⑶應(yīng)用遺傳優(yōu)化算法選擇同步熒光光譜特征波長； ⑷應(yīng)用遺傳優(yōu)化算法優(yōu)化支持向量回歸模型的核函數(shù)參數(shù)（c，^/7)，進而建立基于遺 傳優(yōu)化算法的支持向量回歸預(yù)測模型； 所述步驟（1)采用一階導(dǎo)數(shù)預(yù)處理或二階導(dǎo)數(shù)預(yù)處理對同步熒光光譜進行導(dǎo)數(shù)預(yù)處 理。
[0008] 所述步驟（2)采用平滑處理、標(biāo)準(zhǔn)歸一化（SNV)、多元散射校正法（MSC)、小波變換 中的一種對導(dǎo)數(shù)預(yù)處理后的同步熒光光譜進行去噪預(yù)處理。
[0009] 在進行步驟（3)之前還包括設(shè)置遺傳優(yōu)化算法的初始化參數(shù)。所述設(shè)置初始化參 數(shù)包括設(shè)置初始群體、變異概率Pm、交叉概率P。、循環(huán)次數(shù)，本次迭代終止次數(shù)的初始值； 所述交叉概率P。為參與基因交換的染色體個體占染色體總數(shù)的比例，所述交叉概率P。 的取值范圍為0.4?0.99 ; 所述變異概率Pm為參與基因變異的染色體個體占染色體總數(shù)的比例；所述變異概率Pm 的取值范圍為0.0001、. 1 ; 所述循環(huán)次數(shù)為遺傳優(yōu)化算法重復(fù)運行次數(shù)； 述本次迭代終止次數(shù)具體為在每一次遺傳優(yōu)化算法循環(huán)中，當(dāng)遺傳優(yōu)化算法選擇同步 熒光特征波長的迭代次數(shù)達到給定的最大迭代次數(shù)，則終止當(dāng)次迭代，進行下一次循環(huán)搜 索，所述本次迭代終止次數(shù)的初始值小于最大迭代次數(shù)或本次迭代終止次數(shù)。
[0010] 在進行步驟（3)之前還包括基因編碼；所述基因編碼具體為.·設(shè)置二進制編碼將 同步熒光光譜數(shù)據(jù)表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)，設(shè)置編碼〇表示所對應(yīng)的熒光光 譜波長未被選中，設(shè)置編碼1表不所對應(yīng)的突光光譜波長被選中； 所述步驟（3)包括如下步驟： ① 以步驟（3)選擇出來的熒光波長組合作為偏最小二乘法的輸入變量建立PLS模型， 并用交互驗證均方根誤差值構(gòu)造遺傳優(yōu)化算法的適應(yīng)度函數(shù)； ② 依次采用選擇、交叉、變異3種遺傳操作方式，以輪轉(zhuǎn)法作為選擇同步熒光光譜特征 波長的方法， ③ 通過上述步驟②循環(huán)選擇來進一步縮小有用信息變量的范圍，當(dāng)均方根誤差 (RMSECV)達到最小時，所對應(yīng)的變量集合該次選擇的結(jié)果。
[0011] 所述步驟（3)中結(jié)果以二進制碼的形式輸出，并按照波長由小到大排列，其中數(shù)值 〇表示所對應(yīng)的熒光光譜波長未被選中，數(shù)值1表示所對應(yīng)的熒光光譜波長被選中。
[0012] 所述步驟（4)為設(shè)定經(jīng)步驟（3)選擇出的同步熒光光譜特征波長作為支持向量回 歸預(yù)測模型的輸入，并采用遺傳優(yōu)化算法優(yōu)化支持向量回歸預(yù)測模型的核函數(shù)參數(shù)fc，& /7)，將應(yīng)用遺傳優(yōu)化算法獲取核函數(shù)參數(shù)（c，A/7)值作為支持向量回歸預(yù)測（SVR)模型建 模的核函數(shù)參數(shù)（C，A/7)值，建立支持向量回歸預(yù)測（SVR)模型。
[0013] 所述遺傳優(yōu)化算法優(yōu)化SVR模型的核函數(shù)參數(shù)（c，辦/7)前需設(shè)置如下參數(shù)： 設(shè)置種群大小、最大迭代次數(shù)、參數(shù)C的變化范圍、參數(shù)^的變化范圍、參數(shù)/7的變化范 圍的初始值；并設(shè)定線性、多項式、sigmoid、徑向基函數(shù)（RBF)中的一種為核函數(shù)的類型， 設(shè)定e-SVR、n-SVR中一種為SVR模型的類型。
[0014] 本發(fā)明的有益效果在于： 本發(fā)明的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法有益于肉類及蛋類食 品中抗生素殘留的預(yù)測模型精度與速度的提高，提供了一種快速、方便的肉類及蛋類食品 中抗生素殘留檢測方法。

【專利附圖】

【附圖說明】
[0015] 圖1為本發(fā)明的流程示意圖； 圖2為激發(fā)波長選擇頻率直方示意圖； 圖3是選擇的變量數(shù)與RMSECV值之間的關(guān)系圖； 圖4是遺傳優(yōu)化算法對SVR參數(shù)（c，& /7)優(yōu)化的適應(yīng)度曲線圖。

【具體實施方式】
[0016] 下面結(jié)合附圖和實施例對本發(fā)明進一步說明： 實施例1 : 一種基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，參見圖1至圖4， 本方法包括如下步驟： (1)先對同步熒光光譜進行導(dǎo)數(shù)預(yù)處理，使熒光背景峰與熒光目標(biāo)峰盡量得到較好的 分離。導(dǎo)數(shù)預(yù)處理方法一般為一階導(dǎo)數(shù)預(yù)處理和二階導(dǎo)數(shù)預(yù)處理。
[0017] (2)由于原始光譜中可能包含一些樣本背景、儀器和環(huán)境條件等因素產(chǎn)生的噪聲， 而經(jīng)過一階導(dǎo)數(shù)處理后會放大這些噪聲，因此有必要對一階導(dǎo)數(shù)處理后的光譜進行去噪預(yù) 處理。去噪預(yù)處理方法采用平滑處理、標(biāo)準(zhǔn)歸一化（SNV)、多元散射校正法（MSC)、小波變換 中的一種。
[0018] (3)經(jīng)過預(yù)處理后同步熒光全光譜中可能包含一些冗余的波長，這些冗余的波長 不利于提高模型的預(yù)測精度與運行速度，因此有必要從全光譜(樣本的光譜波長范圍）中選 擇出有用的光譜波長。對去噪預(yù)處理后的同步熒光光譜首先設(shè)置遺傳優(yōu)化算法的適應(yīng)度函 數(shù)和初始化參數(shù)后，之后執(zhí)行遺傳優(yōu)化算法從全光譜中選擇出與抗生素殘留有關(guān)的同步熒 光光譜特征波長。
[0019] 具體初始化參數(shù)設(shè)置項及說明如下： 設(shè)置初始群體、變異概率Pm、交叉概率P。、循環(huán)次數(shù)，本次迭代終止次數(shù)的初始值。
[0020] 交叉概率P。：基因交換過程中，指參與基因交換的染色體個體占染色體總數(shù)的比 例。取值范圍為0.4?0.99。
[0021] 變異概率？111:基因變異過程中，指參與基因變異的染色體個體占染色體總數(shù)的比 例。取值范圍為0.0001、. 1。
[0022] 循環(huán)次數(shù)：由于遺傳優(yōu)化算法的運行結(jié)果具有一定的隨機性，為了增加結(jié)果的可 靠性和穩(wěn)定性，重復(fù)多次運行遺傳優(yōu)化算法。循環(huán)次數(shù)即指這里的遺傳優(yōu)化算法重復(fù)運行 次數(shù)。
[0023] 本次迭代終止次數(shù)：在每一次遺傳優(yōu)化算法循環(huán)中，當(dāng)遺傳優(yōu)化算法選擇同步熒 光特征波長的迭代次數(shù)達到給定的最大迭代次數(shù)，則終止當(dāng)次迭代，進行下一次循環(huán)搜索， 所述本次迭代終止次數(shù)的初始值小于最大迭代次數(shù)或本次迭代終止次數(shù)。
[0024] 同步熒光光譜特征波長選擇結(jié)果的確定： 基因編碼：用二進制編碼將同步熒光光譜數(shù)據(jù)表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)， 編碼0表不所對應(yīng)的突光光譜波長未被選中，編碼1表不所對應(yīng)的突光光譜波長被選中。
[0025] 適應(yīng)度函數(shù)：以本步驟（3)選擇出來的同步熒光波長組合作為偏最小二乘法 (PLS)的輸入變量來建立PLS模型，并用交互驗證均方根誤差（RMSECV)值構(gòu)造遺傳優(yōu)化算 法的適應(yīng)度函數(shù)。
[0026] 遺傳操作：依次采用選擇、交叉、變異3種操作方式，以輪轉(zhuǎn)法作為選擇方法。
[0027] 當(dāng)RMSECV值達到最小時，這時所對應(yīng)的變量集合即為該次選擇的結(jié)果，通過循環(huán) 選擇來進一步縮小有用信息變量的范圍，當(dāng)RMSECV不能再降低時，所選的變量組即最后結(jié) 果。
[0028] 同步熒光光譜特征波長選擇結(jié)果以二進制碼的形式輸出，并按照波長由小到大排 列，數(shù)值〇表示所對應(yīng)的熒光光譜波長未被選中，數(shù)值1表示所對應(yīng)的熒光光譜波長被選 中。
[0029] (4)以步驟（3)選擇出的同步熒光光譜特征波長作為SVR模型的輸入，但SVR模型 預(yù)測性能的好壞依賴于核函數(shù)的參數(shù)優(yōu)化，因此采用遺傳優(yōu)化算法優(yōu)化SVR模型的核函數(shù) 參數(shù)（c，人采用遺傳優(yōu)化算法優(yōu)化SVR模型的核函數(shù)參數(shù)（c，前需設(shè)置如下具體 參數(shù)： 設(shè)定種群大小、最大迭代次數(shù)、參數(shù)C的變化范圍、參數(shù)^的變化范圍、參數(shù)/7的變化范 圍的初始值。
[0030] 設(shè)定線性、多項式、sigmoid、徑向基函數(shù)（RBF)中的一種為核函數(shù)的類型，設(shè)定 e-SVR、n-SVR中一種為SVR模型的類型。
[0031] 將應(yīng)用遺傳優(yōu)化算法獲取核函數(shù)參數(shù)（c, A/?)的值作為SVR建模的核函數(shù)參數(shù) (c，辦/7)值，建立SVR預(yù)測模型。
[0032] 本方法建立基于遺傳優(yōu)化算法的SVR預(yù)測模型應(yīng)用鴨蛋蛋清中慶大霉素含量的 同步熒光光譜特征波長選擇如下。
[0033] 利用熒光分光光度計采集樣本的同步熒光光譜，得到61個樣本，其中，46個作為 校正集樣本，15個作為預(yù)測集樣本。光譜采集參數(shù)設(shè)置如下：在280?390 nm波長范圍內(nèi)、 波長差Λ λ為120 nm的條件下同步掃描，設(shè)置中等掃描速度、650 V的PMT探測器電壓、 moving average平滑方式、激發(fā)和發(fā)射狹縫分別為5和2. 5 nm ;Emission filter參數(shù)設(shè)置為 360 ?1100 nm〇
[0034] 先對采集的同步熒光光譜進行一階導(dǎo)數(shù)處理，并利用sym5小波的2層分解對一階 導(dǎo)數(shù)同步熒光光譜進行去噪處理。
[0035] 設(shè)定遺傳優(yōu)化算法有關(guān)參數(shù)初始化值：初始群體為30,循環(huán)次數(shù)為8次，變異概率 Pm為〇. 01，交叉概率P。為〇. 5。以RMSECV值構(gòu)造 GA算法的適應(yīng)度函數(shù)，當(dāng)?shù)?00次時 本次迭代終止。
[0036] 設(shè)置好適應(yīng)度函數(shù)和初始化參數(shù)后，執(zhí)行遺傳優(yōu)化算法選擇同步熒光光譜特征波 長。圖2給出了激發(fā)波長選擇頻率直方圖，圖中的水平線與直方圖相交的區(qū)間為篩選出的 熒光激發(fā)波長。
[0037] 遺傳優(yōu)化算法總共選擇出了 14個頻率較高的熒光激發(fā)波長，它們分別為290. 0， 290. 9, 312. 0,313. 0, 314. 1，315. 0, 315. 9,317. 0,324. 0,325. 1，326. 0,339. 1，340. 1 和 357. 1 nm。選擇的變量數(shù)與RMSECV值之間的關(guān)系如3圖所示，當(dāng)入選的變量數(shù)為14時， RMSECV為最小，其值為0. 9007。波長個數(shù)由全波長的111個壓縮到了 14個，和全光譜相比 較，不僅使模型得到簡化，而且能提高預(yù)測模型的運行速度，使之滿足快速測定要求。
[0038] 基于遺傳優(yōu)化算法的SVR核函數(shù)參數(shù)（c，& /7)優(yōu)化時的有關(guān)參數(shù)初始化值的設(shè) 定：種群大小為46,參數(shù)c的變化范圍為[0,100]，參數(shù)^的變化范圍為[0,1000]，參數(shù)/7的 變化范圍為[0.01，1]，核函數(shù)類型為RBF，SVR類型為e-SVR支持向量回歸。
[0039] 設(shè)置好參數(shù)初始值后，執(zhí)行遺傳優(yōu)化算法優(yōu)化RBF核函數(shù)參數(shù)（c，辦/7)。圖4給 出了遺傳優(yōu)化算法對e-SVR核函數(shù)參數(shù)（c, A/7)優(yōu)化的適應(yīng)度曲線圖，核函數(shù)參數(shù)（c, & /?)的優(yōu)化結(jié)果為（21. 0362,0. 00095368,0. 0255)。
[0040] 以（21. 0362,0· 00095368,0· 0255)作為 e-SVR 建模的核函數(shù)參數(shù)（c,辦/7)值，建 立e-SVR預(yù)測模型。
[0041] 應(yīng)用建立的e-SVR預(yù)測模型對15個樣本進行預(yù)測，得到預(yù)測集的決定系數(shù)（R2)和 均方根誤差（RMSEP)分別為0. 983和1. 1494mg/L，說明該預(yù)測模型能滿足鴨蛋蛋清中慶大 霉素含量快速測定要求。
[〇〇42] 本實施例公布的是較佳的實施例，但并不局限于此，本領(lǐng)域的普通技術(shù)人員，極易 根據(jù)上述實施例，領(lǐng)會本發(fā)明的精神，并做出不同的引申和變化，但只要不脫離本發(fā)明的精 神，都在本發(fā)明的保護范圍內(nèi)。
【權(quán)利要求】
1. 一種基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征在于，包括如下 步驟： (1) 對同步熒光光譜進行導(dǎo)數(shù)預(yù)處理； (2) 對導(dǎo)數(shù)預(yù)處理后的同步熒光光譜進行去噪預(yù)處理； (3) 應(yīng)用遺傳優(yōu)化算法選擇同步熒光光譜特征波長； (4) 應(yīng)用遺傳優(yōu)化算法優(yōu)化支持向量回歸模型的核函數(shù)參數(shù)（c，g，p)，進而建立基于 遺傳優(yōu)化算法的支持向量回歸預(yù)測模型。
2. 如權(quán)利要求1所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，所述步驟（1)采用一階導(dǎo)數(shù)預(yù)處理或二階導(dǎo)數(shù)預(yù)處理對同步熒光光譜進行導(dǎo)數(shù)預(yù)處 理。
3. 如權(quán)利要求1所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，所述步驟（2)采用平滑處理、標(biāo)準(zhǔn)歸一化、多元散射校正法、小波變換中的一種對導(dǎo) 數(shù)預(yù)處理后的同步熒光光普進行去噪預(yù)處理。
4. 如權(quán)利要求1所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，在進行步驟（3)之前還包括設(shè)置遺傳優(yōu)化算法的初始化參數(shù)。
5. 如權(quán)利要求4所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，所述設(shè)置初始化參數(shù)包括設(shè)置初始群體、變異概率P m、交叉概率P。、循環(huán)次數(shù)，本次迭 代終止次數(shù)的初始值； 所述交叉概率P。為參與基因交換的染色體個體占染色體總數(shù)的比例，所述交叉概率P。 的取值范圍為0.4?0.99 ; 所述變異概率Pm為參與基因變異的染色體個體占染色體總數(shù)的比例；所述變異概率Pm 的取值范圍為0.0001?〇. 1 ; 所述循環(huán)次數(shù)為遺傳優(yōu)化算法重復(fù)運行次數(shù)； 本次迭代終止次數(shù)具體為在每一次遺傳優(yōu)化算法循環(huán)中，當(dāng)遺傳優(yōu)化算法選擇同步熒 光特征波長的迭代次數(shù)達到給定的最大迭代次數(shù)，則終止當(dāng)次迭代，進行下一次循環(huán)搜索， 所述本次迭代終止次數(shù)的初始值小于最大迭代次數(shù)或本次迭代終止次數(shù)。
6. 如權(quán)利要求5所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，在進行步驟（3)之前還包括基因編碼； 所述基因編碼具體為：設(shè)置二進制編碼將同步熒光光譜數(shù)據(jù)表示成遺傳空間的基因型 串結(jié)構(gòu)數(shù)據(jù)，設(shè)置編碼〇表示所對應(yīng)的熒光光譜波長未被選中，設(shè)置編碼1表示所對應(yīng)的熒 光光譜波長被選中。
7. 如權(quán)利要求6所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，所述步驟（3)包括如下步驟： ① 以步驟（3)選擇出來的熒光波長組合作為偏最小二乘法的輸入變量建立PLS模型， 并用交互驗證均方根誤差值構(gòu)造遺傳優(yōu)化算法的適應(yīng)度函數(shù)； ② 依次采用選擇、交叉、變異3種遺傳操作方式，以輪轉(zhuǎn)法作為選擇同步熒光光譜特征 波長的方法； ③ 通過上述步驟②循環(huán)選擇進一步縮小有用信息變量的范圍，當(dāng)均方根誤差達到最小 時，所對應(yīng)的變量集合該次選擇的結(jié)果。
8. 如權(quán)利要求7所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，所述步驟（3)中結(jié)果以二進制碼的形式輸出，并按照波長由小到大排列，其中數(shù)值0 表示所對應(yīng)的熒光光譜波長未被選中，數(shù)值1表示所對應(yīng)的熒光光譜波長被選中。
9. 如權(quán)利要求1所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特征 在于，所述步驟（4)為：設(shè)定經(jīng)步驟（3)選擇出的同步熒光光譜特征波長作為支持向量回歸 預(yù)測模型的輸入，并采用遺傳優(yōu)化算法優(yōu)化支持向量回歸預(yù)測模型的核函數(shù)參數(shù)（c，g，p)， 將應(yīng)用遺傳優(yōu)化算法獲取核函數(shù)參數(shù)（c，g，p)值作為支持向量回歸預(yù)測建模的核函數(shù)參 數(shù)（c，g，p)值，進而建立支持向量回歸預(yù)測預(yù)測模型。
10. 如權(quán)利要求9所述的基于遺傳優(yōu)化算法的同步熒光光譜特征波長選擇方法，其特 征在于，所述遺傳優(yōu)化算法優(yōu)化支持向量回歸預(yù)測模型的核函數(shù)參數(shù)（c，g，P)前需設(shè)置如 下參數(shù)： 設(shè)置種群大小、最大迭代次數(shù)、參數(shù)c的變化范圍、參數(shù)g的變化范圍、參數(shù)P的變化范 圍的初始值； 并設(shè)定線性、多項式、sigmoid、徑向基函數(shù)（RBF)中的一種為核函數(shù)的類型； 設(shè)定e-SVR、n-SVR中一種為支持向量回歸預(yù)測模型的類型。
【文檔編號】G06N3/12GK104062274SQ201410174940
【公開日】2014年9月24日 申請日期:2014年4月29日 優(yōu)先權(quán)日:2014年4月29日
【發(fā)明者】趙進輝, 劉木華, 袁海超 申請人:江西農(nóng)業(yè)大學(xué)