CN104062273A - 基于粒子群优化算法的同步荧光光谱特征波长筛选方法 - Google Patents

Abstract

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。

Description

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

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

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。

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

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。

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；

(2)对最佳波长差△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。

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下载荷得分，最大载荷得分所对应的波长差△λ即为最佳波长差△λ。

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。

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c₁、c₂和最大迭代次数的初始值；

设置为粒子群优化算法的适应度函数；式中x_k为步骤(3)筛选出来的荧光光谱波长组合，式中f(x_k)为用x_k中荧光光谱波长点建立的支持向量回归模型对应的交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0.4～1.4；

所述学习因子c₁＝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。

进一步的，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。

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0表示所对应的荧光波长未被选中，数值1表示所对应的荧光波长被选中。

所述步骤(4)包括以步骤(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SVR预测模型。

进一步的，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c₁、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。

本发明的有益效果在于：

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。

附图说明

图1为本发明方法流程示意图；

图2为本发明中用于确定分析鸭肉中四环素残留的最优波长差△λ的载荷得 分图；

图3为本发明中粒子群优化算法对SVR核函数参数(c，g)优化的适应度曲线图。

具体实施方式

下面结合附图和实施例对本发明进一步说明：

实施例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，参见图1，图2，图3，本方法包括如下步骤：

(1)先应用平行因子分析法(PARAFAC)对三维同步荧光光谱进行分析以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，以提高背景与目标的同步荧光峰的分离效果和模型的预测精度。本步骤具体为采用平行因子分析法(PARAFAC)对样本的三维数阵进行一组分解析，并得到不同波长差△λ下载荷得分，最大载荷得分所对应的波长差△λ即为后续数据处理和分析的最佳波长差△λ。

(2)为消除在最佳波长差△λ下的同步荧光光谱中一些与样本性质无关的噪声和提高有效的荧光光谱信息，对步骤(1)处理后的同步荧光光谱进行去噪预处理。采用的去噪预处理方法为多元散射校正法(MSC)、标准归一化(SNV)、一阶导处理、二阶导处理、小波变换中的一种。对去噪预处理后的同步荧光光谱进一步进行归一化(Normalization)预处理，以减弱一些同步荧光光谱值过大而另外一些同步荧光光谱值过小以及外界因素对预测结果的影响。

(3)对去噪预处理和归一化后的同步荧光光谱首先设置粒子群优化算法 的适应度函数和初始化参数，并采用粒子群优化算法从全光谱(样本的光谱波长范围)中筛选出k个同步荧光光谱特征波长。

具体的初始化参数及说明如下：

设置粒子数目、粒子群维数、惯性权重因子ω、学习因子c₁、c₂和最大迭代次数的初始值。

粒子数目：指光谱样本的个数，每个光谱样本即为1个粒子，则可根据实际的光谱样本个数设置粒子数目。

粒子群维数：为对应的每个样本光谱中的波长点的个数。

惯性权重因子ω：根据迭代次数确定惯性权重因子ω的初始值，用来平衡全局搜索与局部搜索。设置为0.4～1.4。

学习因子：学习因子c₁和c₂为非负常数，c₁＝c₂＝2。

最大迭代次数：若粒子群优化算法筛选同步荧光特征波长的迭代次数达到给定的最大迭代次数，则终止粒子群优化算法，停止搜索，最大迭代次数取200～4000,并从该范围内取一个值(如200或500)作为最大迭代次数的初始值。

适应度函数：以公式作为粒子群优化算法的适应度函数。其中，x_k为筛选出来的荧光光谱波长组合，f(x_k)为用x_k中荧光光谱波长点建立的支持向量回归(Support vector regression，SVR)模型对应的交互验证均方根误差(RMSECV)值。

其中，粒子速度和位置根据如下公式更新：

v_ij(k+1)＝ωv_ij()+c₁×rand1()×(p_ij(K)-x_ij(k))+c₂×rand2()×(p_gj(K)-x_ij())x_ij(k+1)＝x_ij(k)+v_ij(k)；

其中，i＝1，2，...，m；j＝1，2，...，n；k为迭代次数；rand1()、rand2()为均匀分布在(0，1)之间的随机数；c₁和c_２为学习因子。

基因编码：每个粒子长度等于全部的荧光光谱波长数，每个荧光光谱波长对应一位二进制码，其中，数值0表示所对应的荧光光谱波长未被选中，数值1表示所对应的荧光光谱波长被选中。

迭代终止条件：当迭代次数达到设定的最大迭代次数或最小误差标准，则停止迭代，否则继续迭代直到满足迭代终止条件。

本步骤(3)输出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0表示所对应的荧光波长未被选中，数值1表示所对应的荧光波长被选中。

(4)粒子群优化算法优化SVR模型核函数参数(c，g)。

本步骤包括：以筛选出的同步荧光光谱特征波长作为SVR模型的输入，但SVR模型预测性能的好坏依赖于核函数的参数优化，因此采用粒子群优化算法优化SVR模型的核函数参数(c，g)，采用粒群优化算法优化SVR模型的核函数参数(c，g)前需具体设置如下参数：

设定参数c₁、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。

设定线性、多项式、sigmoid、径向基函数(RBF)中的一种作为核函数类型

设定e-SVR或n-SVR支持向量回归为SVR的类型

设置好以上参数后应用粒子群优化算法获取核函数参数(c，g)值作为SVR建模的核函数参数(c，g)值，并建立SVR预测模型。

基于本发明的方法建立的粒子群优化算法优化支持向量回归预测模型SVR预测模型在实际应用如下：

基于粒子群优化算法的鸭肉中四环素残留含量的同步荧光光谱特征波长筛选：利用荧光分光光度计采集样本在250～360nm波长范围内的三维同步荧光光谱，获取60个实验样本，其中，45个作为校正集样本，15个作为预测集样本。光谱采集的相关参数设置如下：波长差△λ为20～120nm，其间隔为5nm，激发和发对狭缝分别为10nm和5nm，PMT探测器电压为680V，Emission filter参数设置为295～11(0(0nm、中等扫描速度、平滑方式为moving average。

从60个实验样本中随机选取8个样本，并应用PARAFAC对这8个样本的三维数阵进行1组分解析，得到如图2所示的波长差△λ的载荷得分，可知分离鸭肉背景与四环素的同步荧光峰的最佳波长差△λ为70nm。

先对波长差△λ为70nm下的同步荧光光谱进行db6小波的2层分解的小波去噪处理，然后将小波去噪后的样本光谱值和样本中的四环素含量值都归一化到区间[0.1，0.9]。

设定粒子群优化算法有关参数初始化值：粒子数目为45，粒子群维数为111，惯性权重因子ω为1.4，学习因子c₁＝c₂＝2，最大迭代次数为2000，随机初始化45个粒子的初始位置及速度。设置好目标函数和初始化参数后，执行粒子群优化算法筛选同步荧光光谱特征波长。

粒子群优化算法共筛选出262.0、282.0、301.1、302.0、335.1和345.1nm共6个荧光光谱特征波长，波长个数由全波长的111个压缩到了6个，波长压缩率为94.5946％，这样可较大程度的提高预测模型的运算速度，有利于快速检测。

基于粒子群优化算法的SVR核函数参数(c，g)优化时的有关参数初始化值的设定：粒子群大小为45，c1＝c2＝1，最大迭代次数为200，参数c的变化范围为[0.1，100]，参数g的变化范围为[0.01，1000]，核函数类型为RBF，SVR类型为e-SVR支持向量回归。

设置好参数初始值后，执行粒子群优化算法优化RBF核函数参数(c，g)。

图3绐出了粒子群优化算法对e-SVR核函数参数(c，g)优化的适应度曲线图，核函数参数(c，g)的优化结果为(0.57435，0.32988)。

以(0.57435，0.32988)作为e-SVR建模的核函数参数(c，g)值，建立e-SVR预测模型。

应用建立的e-SVR预测模型对15个样本进行预测，得到预测集的相关系数(r)和均方根误差(RMSEP)分别为0.9520和17.6mg/kg，说明该预测模型能满足鸭肉中四环素残留含量的快速测定要求。

本实施例公布的是较佳的实施例，本领域的普通技术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围内。

Claims (8)

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；

(2)对最佳波长差△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下载荷得分，最大载荷得分所对应的波长差△λ即为最佳波长差△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c₁、c₂和最大迭代次数的初始值；

设置为粒子群优化算法的适应度函数；式中x_k为步骤(3)筛选出来的荧光光谱波长组合，式中f(x_k)为用x_k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0.4～1.4；

所述学习因子c₁＝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0表示所对应的荧光波长未被选中，数值1表示所对应的荧光波长被选中。

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c₁、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。