基于移动窗口迭代遗传算法的近红外光谱波长选择方法
近红外光谱,波长选择,移动窗口,偏最小二乘,遗传算法,,近红外光谱,波长选择,移动窗口,偏最小二乘,遗传算法,1引言,2算法部分,3结
摘要 光谱样本数据常会受到环境噪声和其它组分的干扰，应作波长选择，以提高分析精度。近红外光谱谱区宽，搜索空间过大，难以直接采用遗传算法进行波长选择。为此本研究提出先用移动窗口偏最小二乘法(MWPLS)从宽谱区中初选出信息区间，再采用改进的迭代遗传算法(IGA)从中选出最优的信息子区间。MWPLS用移动窗口沿全谱区扫描，对信息区间的定位效果好，而IGA将顾及光谱数据的连续相关特性，运行多轮GA，并以上轮选择结果平滑处理后作为先验知识支持下轮的种群初始化。由此选出的连续相邻的波长点作为自变量，进行PLS建模，既可显著地简化模型，又保留一定的数据冗余，模型的稳健性好，分析精度高。将其用于小麦水分的近红外分析，效果良好，预测性能明显优于其它方法。关键词 近红外光谱, 波长选择, 移动窗口, 偏最小二乘, 遗传算法
1 引言
近红外分析因其快速简便等优点被广泛应用于石油化工、高分子、食品和医药等行业，如检测组分含量、汽油辛烷值、干点等。近红外光谱信号除样品信息外，还包含其他无关信息和噪声。近红外分析通常采用线性模型，而波长选择能够剔除与待分析性质无关或呈非线性关系的波长点，从而可提高分析精度，简化分析模型[1]。波长选择的实质是搜寻波长点，即建模变量的最优组合，使所建预测模型的预报误差最小。常用方法有：专家选择，即凭借专家的经验选定；数学优化选择法，从组合优化出发，主要有模拟退火[2]、禁忌搜索[3]和遗传算法[4~6]等；有效信息区间定位法，分别考察所划分的各波长区间，从中挑选较优者，其中饱含适于建模预测的有效信息，称为信息区间(information region)，主要有区间偏最小二乘(interval PLS,iPLS)[7]，移动窗口偏最小二乘(Moving Window PLS,MWPLS)[8]等。上述方法各有优缺点，后两类可自动选择，无需领域专家介入。但是区间定位法往往只是粗略估计，并非最优选择。而经典的数学优化法未考虑光谱数据连续相关性的特点，以其优选的波长点建模，稳健性较差。光谱数据的连续相关性是指入选的波长点具有高信息量，其邻域内的波长点也具有较高信息量，将这些高信息量的波长点都引进模型，有一定的数据冗余，可提高模型的抗干扰能力，使之更具稳健性[8]。
近年来遗传算法用于波长选择的研究逐步深入，得到广泛应用。为避免搜索空间过大而影响寻优效果，常要求原始波长点数不超过200。近红外谱区为700~2500 nm ......
您现在查看是摘要页，全文长 9497 字符。