基于蚁群-遗传算法的光谱选择方法与应用

摘要：

脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标.高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要.工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法.提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果.PLS-ACO,PLS-ACO-GA,CARS,GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段.其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R2p和RMSEP分别为0.9976和0.0622,PLS-ACO次之,预测集R2p和RMSEP分别为0.9970和0.0778.PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度.对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型.MLR预测模型的R2p和RMSEP分别为0.9976和0.0623.RFR回归模型R2p和RMSEP分别为0.9999和0.0030,PLS回归模型的R2p和RMSEP分别为0.9976和0.0622.RFR模型在三种回归预测模型中表现最好.研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损的方法.

关键词：高光谱、牛奶脂肪、遗传算法、蚁群算法、特征波段、偏最小二乘

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61461041

在线出版日期：2022-07-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2262-2268