CN105046003B - 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法 - Google Patents

模拟退火-遗传算法的光谱特征区间选择及光谱加密方法 Download PDF

Info

Publication number
CN105046003B
CN105046003B CN201510439116.XA CN201510439116A CN105046003B CN 105046003 B CN105046003 B CN 105046003B CN 201510439116 A CN201510439116 A CN 201510439116A CN 105046003 B CN105046003 B CN 105046003B
Authority
CN
China
Prior art keywords
collection
encrypted
illustrative plates
simulated annealing
individual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510439116.XA
Other languages
English (en)
Other versions
CN105046003A (zh
Inventor
徐广晋
王家俊
李斌
张健
陶鹰
付磊
杨仁礼
李慧
张耀
孔维玲
李庆华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201510439116.XA priority Critical patent/CN105046003B/zh
Publication of CN105046003A publication Critical patent/CN105046003A/zh
Application granted granted Critical
Publication of CN105046003B publication Critical patent/CN105046003B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Radiation Pyrometers (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了模拟退火‑遗传算法的光谱特征区间选择及光谱加密方法，它涉及GC‑MS图谱及近红外光谱分析技术领域。它的具体方法为：将模拟退火算法的核心思想Metropolis接收准则引入遗传算法中的基因交换、变异算子中，采用模拟退火‑遗传算法对GC‑MS图谱特征区间进行选择，然后对指定的GC‑MS图谱和近红外光谱整个区域加密。通过对近红外光谱图像的关键特征区间添加伪信号来实现数据加密防止光谱实验数据泄露。

Description

模拟退火-遗传算法的光谱特征区间选择及光谱加密方法
技术领域：
本发明涉及模拟退火-遗传算法的光谱特征区间选择及光谱加密方法，属于GC-MS图谱及近红外光谱分析技术领域。
背景技术：
随着信息技术的高速发展，数据安全已经成为信息安全领域一个重要的课题。当今近红外光谱仪器因具有快速和非损坏性检测、操作成本低、无需复杂预处理等特点，已被广泛应用于复杂样品化学成分测定中，光谱仪器和化学计量法相结合的技术是公认的分析和检测复杂样品的重要手段之一。其光谱特性与有机物的类型和含量高度相关，因此被广泛应用于药品、食品行业，如运用近红外光谱分析技术检测烟草、苹果等的多种理化指标。
光谱数据中不同类型的谱峰信号往往对应某个位置的具体物质特性，谱峰信号的强度又与此物质的组成成分、物理化学性质等紧密相关，谱峰信号包含了大量该物质定性定量相关信息。在光谱数据处理中，检测和分析谱峰信号是我们的工作重点，同时针对光谱关键区域进行保护是对光谱图像加密的一种方法。而这些实验数据常常在网络上传输很有可能带来数据泄露的风险，因此针对近红外光谱这种实验数据的特征区间采取加密技术能够有效保证实验数据的安全性和准确性。
发明内容：
针对上述问题，本发明要解决的技术问题是提供模拟退火-遗传算法的光谱特征区间选择及光谱加密方法。
本发明模拟退火-遗传算法的光谱特征区间选择及光谱加密方法。它的具体方法为：将模拟退火算法的核心思想Metropolis接收准则引入遗传算法中的基因交换、变异算子中，采用模拟退火-遗传算法对GC-MS图谱特征区间进行选择，然后对指定的GC-MS图谱和近红外光谱整个区域加密。
作为优选，所述的GC-MS图谱特征区间选择方法，其特征在于，包括以下步骤：
S1、基因编码，将GC-MS图谱区间划分为用k个0/1基因来表示的k个子区间组合；
S2、种群初始化，根据染色体数(popsize)随机产生初始种群；
S3、适应度函数，采用交互验证均方根误差(RMSECV)作为个体的适应度函值，RMSECV值越小，表示模型预测能力越好，即(1)式表示适应度目标函数，得到目标函数为式(2)；
f(xk)＝minRMSECV (1)
S4、遗传操作，本发明采用根据Metropolis准则执行遗传操作；
a、选择算子根据群体的适应度值，选择适应度高的个体淘汰适应度低的个体；
b：采用单点交叉操作，即开始字符到交换点之间的基因参与交换过程，基因交换个体数由交换概率Pc控制，交叉算子从父辈群体中随机选择父辈个体Pi，通过基因交叉产生子代新个体Ci，分别计算他们的适应度值fPi和fCi，按照Metropolis准则判断是否接受新产生的个体；具体判断过程如下：
i、如果fPi＜fCi，接受新解，用Ci代替Pi；
ii、当i不成立时，引入玻尔兹曼(Boltzman)因子，随机产生一个[0,1]之间的数β，如果β＜exp((fCi-fPi)/T)，其中T是模拟退火温度，则接受新解，用Ci代替Pi，否则保持Pi不变；
c、变异算子由在个体上随机挑选某个基因进行异或操作，变异个体数由变异概率Pm控制，变异算子与改进的交换算子类似；
S5、循环执行S3和S4步骤；
S6、以温度小于终止温度为终止条件，满足条件时终止循环，返回最优解。
作为优选，GC-MS图谱和近红外光谱整个区域加密的方法为：S1、输入步骤，读取输入的图谱像数据，作为要加密对象的图像；
S2、加密指定区域步骤，在该步骤中，针对输入的GC-MS图谱执行光谱特征区间选择操作来指定要加密的区域；针对输入的近红外光谱整个区域加密；
S3、向加密的光谱图区域添加伪信号，在该步骤中，向被加密的指定区域添加呈点形或者线形的所述的伪信号；
S4、基于所述加密密钥在所述指定步骤中指定的GC-MS图谱区域近红外光谱转换为被处理的图像；以及通过有规律地转换在所述转换步骤中转换的被处理的图谱的像素值来建立转换图像，以使得能够指定图谱特征区间区域位置。
本发明的有益效果：它能克服现有技术的弊端，将模拟退火算法的核心思想Metropolis接受准则引入传统的遗传算法的基因交叉、变异算子，来对光谱的关键特征子区间进行挑选。通过对近红外光谱图像的关键特征区间添加伪信号来实现数据加密防止光谱实验数据泄露。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1是实施例中采用模拟退火--遗传算法选择光谱关键段流程图；
图2是实施例中引入Metropolis接受准则的交叉算子流程图；
图3是实施例中引入Metropolis接受准则的变异算子流程图；
图4是实施例中光谱图加密流程图；
具体实施方式：
具体实施方式采用以下技术方案：它的具体方法为：将模拟退火算法的核心思想Metropolis接收准则引入遗传算法中的基因交换、变异算子中，采用模拟退火-遗传算法对GC-MS图谱特征区间进行选择，然后对指定的GC-MS图谱和近红外光谱整个区域加密。
作为优选，所述的GC-MS图谱特征区间选择方法，其特征在于，包括以下步骤：
S1、基因编码，将GC-MS图谱区间划分为用k个0/1基因来表示的k个子区间组合；
S2、种群初始化，根据染色体数(popsize)随机产生初始种群；
S3、适应度函数，采用交互验证均方根误差(RMSECV)作为个体的适应度函值，RMSECV值越小，表示模型预测能力越好，即(1)式表示适应度目标函数，得到目标函数为式(2)。
f(xk)＝minRMSECV (1)
S4、遗传操作，本发明采用根据Metropolis准则执行遗传操作；
a、选择算子根据群体的适应度值，选择适应度高的个体淘汰适应度低的个体；
b：采用单点交叉操作，即开始字符到交换点之间的基因参与交换过程，基因交换个体数由交换概率Pc控制，交叉算子从父辈群体中随机选择父辈个体Pi，通过基因交叉产生子代新个体Ci，分别计算他们的适应度值fPi和fCi，按照Metropolis准则判断是否接受新产生的个体；具体判断过程如下：
i、如果fPi＜fCi，接受新解，用Ci代替Pi；
ii、当i不成立时，引入玻尔兹曼(Boltzman)因子，随机产生一个[0,1]之间的数β，如果β＜exp((fCi-fPi)/T)(其中T是模拟退火温度)，则接受新解，用Ci代替Pi，否则保持Pi不变；
c、变异算子由在个体上随机挑选某个基因进行异或操作，变异个体数由变异概率Pm控制，变异算子与改进的交换算子类似；
S5、循环执行S3和S4步骤；
S6、以温度小于终止温度为终止条件，满足条件时终止循环，返回最优解。
作为优选，GC-MS图谱和近红外光谱整个区域加密的方法为：S1、输入步骤，读取输入的图谱像数据，作为要加密对象的图像；
S2、加密指定区域步骤，在该步骤中，针对输入的GC-MS图谱执行光谱特征区间选择操作来指定要加密的区域；针对输入的近红外光谱整个区域加密；
S3、向加密的光谱图区域添加伪信号，在该步骤中，向被加密的指定区域添加例如呈点形或者线形的所述的伪信号；
S4、基于所述加密密钥在所述指定步骤中指定的GC-MS图谱区域近红外光谱转换为被处理的图像；以及通过有规律地转换在所述转换步骤中转换的被处理的图谱的像素值来建立转换图像，以使得能够指定图谱特征区间区域位置。
实施例：如图1，提供了一种模拟退火-遗传算法的光谱关键波段选择方法，包括下述步骤：首先在对输入的GC-MS图谱预处理之后划分当前图谱最小子区间，然后采用二进制编码对图谱区间进行编码，并随机产生初始种群。接着确定初始退火温度Tstart和Tend，随着温度的降低并计算每个个体的适应值，然后通过选择算子选择父辈个体并根据引入Metropolis准则的交叉算子和变异算子进行交叉和变异操作，反复执行上述操作直至退火温度达到结束温度，此时保留i对应的最优关键特征区解。
如图2和图3为引入Metropolis接受准则的交叉算子和变异算子流程图，这里由于交叉算子和变异算子类似，以交叉算子为例进行说明，从父辈群体中随机选择父辈个体(Pi)，通过基因交叉产生子代新个体(Ci)，分别计算他们的适应度值fPi和fCi，按照Metropolis准则判断是否接受新产生的个体。具体判断过程如下：
(1)如果fPi＜fCi，接受新解，用Ci代替Pi；
(2)当(1)不成立时，引入玻尔兹曼(Boltzman)因子，随机产生一个[0,1]之间的数β，如果β＜exp((fCi-fPi)/T)，其中，T是模拟退火温度，则接受新解，用Ci代替Pi，否则保持Pi不变。
图4为对光谱特征区域嵌入伪信号处理流程图，首先输入光谱数据作为要处理的光谱图，接着如果输入的光谱图为GC-MS图谱则根据上述图谱关键特征区提取方法提取出要加密处理的光谱关键波段区并从要加密的光谱区域中嵌入伪信号即实现对光谱关键特征区加密，如果输入的光谱图为近红外光谱图则对整个光谱区域嵌入伪信号来对近红外光谱加密。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.模拟退火-遗传算法的光谱特征区间选择及光谱加密方法，其特征在于：它的具体方法为：将模拟退火算法的核心思想Metropolis接收准则引入遗传算法中的基因交换、变异算子中，采用模拟退火-遗传算法对GC-MS图谱特征区间进行选择，然后对指定的GC-MS图谱和近红外光谱整个区域加密；
其中，所述的GC-MS图谱特征区间选择方法包括以下步骤：
(S1)、基因编码，将GC-MS图谱区间划分为用k个0/1基因来表示的k个子区间组合；
(S2)、种群初始化，根据染色体数(popsize)随机产生初始种群；
(S3)、适应度函数，采用交互验证均方根误差(RMSECV)作为个体的适应度函值，RMSECV值越小，表示模型预测能力越好，即(1)式表示适应度目标函数，得到目标函数为式(2)；
f(xk)＝minRMSECV (1)
其中，xk为用含有k个基因来表示的区间组合；
(S4)、遗传操作，采用根据Metropolis准则执行遗传操作:
(a)、选择算子根据群体的适应度值，选择适应度高的个体淘汰适应度低的个体；
(b)、采用单点交叉操作，即开始字符到交换点之间的基因参与交换过程，基因交换个体数由交换概率Pc控制，交叉算子从父辈群体中随机选择父辈个体Pi，通过基因交叉产生子代新个体Ci，分别计算他们的适应度值fPi和fCi，按照Metropolis准则判断是否接受新产生的个体；具体判断过程如下：
(i)如果fPi＜fCi，接受新解，用Ci代替Pi；
(ii)当(i)不成立时，引入玻尔兹曼(Boltzman)因子，随机产生一个[0,1]之间的数β，如果β＜exp((fCi-fPi)/T)，其中T是模拟退火温度，则接受新解，用Ci代替Pi，否则保持Pi不变；
(c)、变异算子由在个体上随机挑选某个基因进行异或操作，变异个体数由变异概率Pm控制，变异算子与改进的交换算子类似；
(S5)、循环执行S3和S4步骤；
(S6)、以温度小于终止温度为终止条件，满足条件时终止循环，返回最优解；
GC-MS图谱和近红外光谱整个区域加密的方法包括以下步骤：
(S1)、输入步骤，读取输入的图谱像数据，作为要加密对象的图像；
(S2)、加密指定区域步骤，在该步骤中，针对输入的GC-MS图谱执行光谱特征区间选择操作来指定要加密的区域；针对输入的近红外光谱整个区域加密；
(S3)、向加密的光谱图区域添加伪信号，在该步骤中，向被加密的指定区域添加呈点形或者线形的所述的伪信号；
(S4)、基于所述加密密钥在所述指定步骤中指定的GC-MS图谱区域近红外光谱转换为被处理的图像；以及通过有规律地转换在所述转换步骤中转换的被处理的图谱的像素值来建立转换图像，以使得能够指定图谱特征区间区域位置。
CN201510439116.XA 2015-07-23 2015-07-23 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法 Expired - Fee Related CN105046003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510439116.XA CN105046003B (zh) 2015-07-23 2015-07-23 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510439116.XA CN105046003B (zh) 2015-07-23 2015-07-23 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法

Publications (2)

Publication Number Publication Date
CN105046003A CN105046003A (zh) 2015-11-11
CN105046003B true CN105046003B (zh) 2018-06-29

Family

ID=54452544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510439116.XA Expired - Fee Related CN105046003B (zh) 2015-07-23 2015-07-23 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法

Country Status (1)

Country Link
CN (1) CN105046003B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274124A (zh) * 2017-06-06 2017-10-20 泉州装备制造研究所 一种基于两阶段多种群并行遗传算法的agv小车调度优化方法
CN109507143B (zh) * 2018-10-29 2019-12-31 黑龙江八一农垦大学 沼液理化指标近红外光谱同步快速检测方法
CN109660695B (zh) * 2018-12-06 2020-03-10 广西师范大学 一种基于遗传模拟退火算法和混沌映射的彩色图像加密方法
CN109342352A (zh) * 2018-12-18 2019-02-15 龙口味美思环保科技有限公司 一种基于混合模拟退火与遗传算法的面粉质量检测方法
CN111553338A (zh) * 2020-04-27 2020-08-18 南通智能感知研究院 一种基于模拟退火算法的高光谱特征选择方法
CN111650271B (zh) * 2020-06-23 2022-12-13 南京财经大学 一种土壤有机质标志物的识别方法及应用
CN112947332B (zh) * 2021-02-04 2022-12-16 威高国科质谱医疗科技(天津)有限公司 一种基于模拟退火的三重四极质谱仪参数优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520885A (zh) * 2008-02-28 2009-09-02 富士通株式会社 图像解密装置、图像加密装置和图像解密方法
CN101832909A (zh) * 2010-03-12 2010-09-15 江苏大学 基于模拟退火-遗传算法近红外光谱特征子区间选择方法
CN104598874A (zh) * 2014-12-24 2015-05-06 周小虎 一种煤田自燃的遥感监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004068475A1 (en) * 2003-01-29 2004-08-12 The Governing Council Of The University Of Toronto Multicolored polymer nanocomposites for optical memory storage and security data encryption

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520885A (zh) * 2008-02-28 2009-09-02 富士通株式会社 图像解密装置、图像加密装置和图像解密方法
CN101832909A (zh) * 2010-03-12 2010-09-15 江苏大学 基于模拟退火-遗传算法近红外光谱特征子区间选择方法
CN104598874A (zh) * 2014-12-24 2015-05-06 周小虎 一种煤田自燃的遥感监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种近红外光谱特征子区间选择新算法;石吉勇 等;《光谱学与光谱分析》;20101231;第30卷(第12期);第3199-3202页 *

Also Published As

Publication number Publication date
CN105046003A (zh) 2015-11-11

Similar Documents

Publication Publication Date Title
CN105046003B (zh) 模拟退火-遗传算法的光谱特征区间选择及光谱加密方法
Alneberg et al. Binning metagenomic contigs by coverage and composition
US20190147983A1 (en) Systems and methods for de novo peptide sequencing from data-independent acquisition using deep learning
Yu et al. DeepACP: a novel computational approach for accurate identification of anticancer peptides by deep learning algorithm
Holland et al. Evaluation of GeneMarker® HTS for improved alignment of mtDNA MPS data, haplotype determination, and heteroplasmy assessment
CN111723354B (zh) 提供生物数据的方法、加密生物数据的方法以及处理生物数据的方法
Gareau et al. Digital imaging biomarkers feed machine learning for melanoma screening
Knight et al. A web‐tool for visualizing quantitative protein–protein interaction data
Monakhova et al. Independent components analysis to increase efficiency of discriminant analysis methods (FDA and LDA): Application to NMR fingerprinting of wine
Sousa et al. PhageWeb–Web interface for rapid identification and characterization of prophages in bacterial genomes
Héberger et al. Comparison of validation variants by sum of ranking differences and ANOVA
Scherer et al. Machine learning for deciphering cell heterogeneity and gene regulation
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
Leisner et al. Kinetics of genetic switching into the state of bacterial competence
Meynard-Piganeau et al. TULIP: A transformer-based unsupervised language model for interacting peptides and T cell receptors that generalizes to unseen epitopes
Jin et al. Robust discriminant analysis and its application to identify protein coding regions of rice genes
CN105095688A (zh) 检测人体肠道宏基因组的细菌群落及丰度的方法
AU2017100408A4 (en) User keyboard key-pressing behavior mode modeling and analysis system, and identity recognition method thereof
Costa et al. A comparative study of multiresponse optimization criteria working ability
Zhang et al. Dnagpt: A generalized pretrained tool for multiple dna sequence analysis tasks
Tian et al. Full-length ribosome density prediction by a multi-input and multi-output model
Yılmaz Isıkhan et al. Determining cutoff point of ensemble trees based on sample size in predicting clinical dose with DNA microarray data
Shrestha et al. A novel solution of an elastic net regularisation for dementia knowledge discovery using deep learning
Hu et al. Riboexp: an interpretable reinforcement learning framework for ribosome density modeling
CN101928784A (zh) 仙台病毒实时荧光定量pcr检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180629

Termination date: 20210723

CF01 Termination of patent right due to non-payment of annual fee