基于粒子群优化算法的同步荧光光谱特征波长筛选方法
【专利摘要】本发明公开一种基于粒子群优化算法的同步荧光光谱特征波长筛选方法，包括（1）对三维同步荧光光谱进行平行因子分析法分析以确定检测抗生素的最佳波长差△λ，（2）对最佳波长差△λ下的同步荧光光谱进行光谱去噪预处理及光谱归一化处理；（3）用粒子群优化算法筛选出k个同步荧光光谱特征波长；（4）应用粒子群优化算法优化支持向量回归（SVR）模型核函数参数(c,g)，进而建立基于粒子群优化算法的SVR预测模型。本发明的基于粒子群优化算法的同步荧光光谱特征波长筛选方法有益于肉及其制品等食品中抗生素残留的预测模型精度和速度的提高，为肉及其制品等食品中抗生素残留检测提供了一种新的方法。
【专利说明】基于粒子群优化算法的同步荧光光谱特征波长筛选方法
【技术领域】
[0001] 本发明涉及一种同步荧光光谱特征波长筛选方法，尤其涉及一种用于筛选肉（如 鸭肉、鸡肉、鹅肉、猪肉等）及其制品等食品中抗生素残留的基于粒子群优化算法的同步荧 光光谱特征波长筛选方法。
【背景技术】
[0002] 同步荧光光谱因其具有灵敏度高、选择性好、光谱简化、谱带窄及可减少散射光对 光谱的影响等优点，能够提供丰富的光谱数据信息，是一种较优的多组分混合物分析方法， 已被用于肉及其制品等食品品质检测与分析等领域。传统的荧光分析方法是建立最佳波长 处的荧光强度与抗生素浓度之间的关系。而鉴于实际上肉及其制品等食品的多样性和复杂 性，其荧光光谱比较复杂，影响因素较多，难以直接确立精确的某种抗生素荧光特征峰值与 其残留含量之间的定量对应关系。因此，有必要对完整的荧光光谱信息进行提取和分析，从 中得到有用的荧光光谱特征信息，进而建立预测模型，以提高模型的预测精度。
[0003] 目前，出现了诸多的光谱特征波长筛选与模型参数优化的方法，其中遗传算法是 一种应用较广泛且取得较好效果的方法，但遗传算法收敛速度较慢、容易陷入局部最优解 等缺点。粒子群优化算法是20世纪90年代提出来的一种基于群智能的全局随机搜索算法， 具有收敛速度快、需要参数少、易于实现的特点适合于剔除对建模无用的荧光光谱波长，提 高预测模型的运算速度及精度。
【发明内容】
[0004] 本发明的目的在于克服现有技术的不足，适应现实需要，提供一种基于粒子群优 化算法的同步荧光光谱特征波长筛选方法，旨在提供一种肉及其制品等食品中抗生素残留 的基于粒子群优化算法的同步荧光光谱特征波长筛选方法，并用本方法筛选出来的同步荧 光光谱特征波长建立粒子群优化算法优化支持向量回归预测模型，以提高预测模型的运算 速度和精度。
[0005] 为了实现本发明的目的，本发明所采用的技术方案为： 一种基于粒子群优化算法的同步荧光光谱特征波长筛选方法，该方法包括以下步骤： (1) 确定三维同步荧光光谱中检测到的抗生素的最佳波长差Λ λ ; (2) 对最佳波长差Λ λ下的一维同步荧光光谱依次进行光谱去噪预处理及光谱归一 化处理； (3) 用粒子群优化算法筛选出k个经步骤（2)处理后的一维同步荧光光谱特征波长； (4) 应用粒子群优化算法优化支持向量回归模型核函数参数（c，g)，进而建立粒子群 优化算法优化支持向量回归预测模型。
[0006] 所述步骤（1)具体为：应用平行因子分析法对三维同步荧光光谱中的三维数阵进 行1组分解析，并得到不同波长差Λ λ下载荷得分，最大载荷得分所对应的波长差Λ λ即 为最佳波长差Λ λ。
[0007] 所述步骤（2)为：首先采用多元散射校正法（MSC)、标准归一化（SNV)、一阶导处 理、二阶导处理和小波变换法中的一种方法对最佳波长差Λ λ下的同步荧光光谱依次进 行光谱去噪预处理，其次对去噪后的同步荧光光谱进行归一化预处理。
[0008] 进一步的，进行步骤（3)前需设置如下参数：设置粒子群优化算法的适应度函数 和初始化参数： 所述设置粒子群优化算法的初始化参数具体为设置粒子数目、粒子群维数、惯性权重 因子ω、学习因子。和最大迭代次数的初始值； 设置
【权利要求】
1. 一种基于粒子群优化算法的同步荧光光谱特征波长筛选方法，其特征在于，该方法 包括以下步骤： (1) 确定三维同步荧光光谱中检测到的抗生素的最佳波长差Λ λ ; (2) 对最佳波长差Λ λ下的一维同步荧光光谱依次进行光谱去噪预处理及光谱归一 化处理； (3) 用粒子群优化算法筛选出k个经步骤（2)处理后的一维同步荧光光谱特征波长； (4) 应用粒子群优化算法优化支持向量回归模型核函数参数（c，g)，进而建立粒子群 优化算法优化支持向量回归预测模型。
2. 如权利要求1所述的基子粒子群优化算法的同步荧光光谱特征波长筛选方法，其特 征在于，所述步骤（1)具体为：应用平行因子分析法对三维同步荧光光谱中的三维数阵进 行1组分解析，并得到不同波长差Λ λ下载荷得分，最大载荷得分所对应的波长差Λ λ即 为最佳波长差Λ λ。
3. 如权利要求1所述的基于粒子群优化算法的同步荧光光谱特征波长筛选方法，其特 征在于，所述步骤（2)为：首先采用多元散射校正法（MSC)、标准归一化（SNV)、一阶导处理、 二阶导处理和小波变换法中的一种方法对最佳波长差Λ λ下的同步荧光光谱依次进行光 谱去噪预处理，其次对去噪后的同步荧光光谱进行归一化预处理。
4. 如权利要求1所述的基于粒子群优化算法的同步荧光光谱特征波长筛选方法，其特 征在于，进行步骤（3)前需设置如下参数：设置粒子群优化算法的适应度函数和初始化参 数： 所述设置粒子群优化算法的初始化参数具体为设置粒子数目、粒子群维数、惯性权重 因子ω、学习因子Cl、c2和最大迭代次数的初始值； 设置= 1 + ^(;〇为粒子群优化算法的适应度函数;财以刺聚⑶腿?剌勺 荧光光谱波长组合，式中f(xk)为用xk中荧光光谱波长点建立的支持向量回归模型对应的 支互验证均方根误差值。 所述粒子数目为光谱样本的个数，并设定每个光谱样本为1个粒子； 所述粒子群维数为每个样本光谱中的波长点的个数； 所述惯性权重因子ω为〇. 4?1. 4 ; 所述学习因子Cl = c2 = 2; 所述最大迭代次数的取值范围为200?4000,并从该范围内取一个值作为最大迭代次 数的初始值。
5. 如权利要求4所述的基于粒子群优化算法的同步荧光光谱特征波长筛选方法，其特 征在于，进行步骤（3)前还需设置迭代终止条件，所述迭代终止条件为当迭代次数达到设 定的最大迭代次数时停止迭代。
6. 如权利要求5所述的基于粒子群优化算法的同步荧光光谱特征波长筛选方法，其特 征在于，所述步骤（3)筛选出的同步荧光光谱特征波长结果以二进制码的形式输出，并按 照波长由小到大排列，其中，数值〇表不所对应的突光波长未被选中，数值1表不所对应的 突光波长被选中。
7. 如权利要求6所述的基于粒子群优化算法的同步荧光光谱特征波长筛选方法，其特 征在于，所述步骤（4)包括如下步骤： 以步骤（3)筛选出的同步荧光光谱特征波长作为粒子群优化算法优化支持向量回归 模型的输入，并应用粒子群优化算法获取的核函数参数（c，g)的值作为粒子群优化算法优 化支持向量回归模型建模的核函数参数（c，g)值，并建立支持向量回归预测模型。
8.如权利要求6所述的基于粒子群优化算法的同步荧光光谱特征波长筛选方法，其特 征在于，应用粒子群优化算法优化核函数参数（c，g)前需设置如下参数： 设定参数Cl、c2、粒子群大小、最大迭代次数、参数c的变化范围、参数g的变化范围的 初始值； 设定核函数的类型为线性、多项式、sigmoid、径向基函数中的一种作为粒子群优化算 法优化支持向量回归模型的核函数； 设定粒子群优化算法优化支持向量回归预测模型的类型为e-SVR、n-SVR中的一种。
【文档编号】G06N3/00GK104062273SQ201410174884
【公开日】2014年9月24日 申请日期:2014年4月29日 优先权日:2014年4月29日
【发明者】赵进辉, 刘木华, 袁海超 申请人:江西农业大学