CN112036432B - 一种基于禁忌优化的光谱建模样本集快速划分方法 - Google Patents

一种基于禁忌优化的光谱建模样本集快速划分方法 Download PDF

Info

Publication number
CN112036432B
CN112036432B CN202010635852.3A CN202010635852A CN112036432B CN 112036432 B CN112036432 B CN 112036432B CN 202010635852 A CN202010635852 A CN 202010635852A CN 112036432 B CN112036432 B CN 112036432B
Authority
CN
China
Prior art keywords
sample set
optimization
tabu
sample
samples
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.)
Active
Application number
CN202010635852.3A
Other languages
English (en)
Other versions
CN112036432A (zh
Inventor
陈华舟
陈伟豪
蔡肯
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.)
Guilin University of Technology
Original Assignee
Guilin University of Technology
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 Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN202010635852.3A priority Critical patent/CN112036432B/zh
Publication of CN112036432A publication Critical patent/CN112036432A/zh
Application granted granted Critical
Publication of CN112036432B publication Critical patent/CN112036432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于禁忌优化的光谱建模样本集快速划分方法。该方法利用基于化学参考值加权的光谱数据2‑均值聚类模式获取定标样本和验证样本的初始划分，探索禁忌搜索方法的参数优化模式，对初始划分进行自适应快速优化，以定标集和验证集的部分样本互换的方式生成多个候选划分对象，将候选对象进行禁忌存储并逐个优化对比，并经过多次迭代以确定当前解的最优化结果。互换样本的数量、候选解的数量、禁忌表的长度和迭代次数等若干参数可调，实现针对样本集划分的智能化更新，最终输出迭代优化的样本集划分结果。针对优化划分结果进一步执行光谱预处理、特征提取、建模优化、模型预测和评价等计量分析操作，有利于提高光谱模型的预测能力。

Description

一种基于禁忌优化的光谱建模样本集快速划分方法
技术领域
本发明涉及近红外、红外光谱分析中的建模优化领域，具体涉及建模过程中的一种基于禁忌优化的光谱建模样本集快速划分方法。
背景技术
光谱分析是一种快速定量检测物质成分含量的信息技术，它是根据不同频率的单色光照射物质后形成的光强变化量来测算物质中的特定化学成分，对物质不造成化学性破坏，具有耗时短、无试剂、多目标等技术操作特点。中红外(MIR)和近红外(NIR)区域的光谱应用特点尤为显著，能够很大程度地简化样本前处理过程，对于目标成分的预测主要依靠计量学建模手段来完成。随着信息技术的发展进入大数据时代，计量学方法的研究可以结合智能学习和深度优化模式，MIR和NIR光谱建模的预测能力有望取得进一步的提高。
针对光谱数据的计量学建模是以事件驱动和数据驱动相结合的方式进行，在过程上主要可以分为数据采集、样本划分、光谱预处理、建模优化、模型预测和模型传递等多个环节。在任何一个环节中提出新型的有效的计量学分析方法都有可能提高光谱建模能力，其中关于样本划分的技术改进并不多见。
样本划分是指光谱分析需要将所有目标样本数据划分为训练集(或称建模集)和测试集，而其中训练集又可以二次细分为定标集和验证集。光谱分析是基于定标集样本进行数据训练，执行参数调试，以此建立光谱定标模型；然后将定标模型应用到验证集样本，以实现对模型进行参数优选；进一步在测试集样本上对已确定的优化模型进行检验和评估。由于每个样本的成分含量信息各不相同，如何选择合适的样本进行定标和验证，是提高光谱建模预测能力的关键技术问题之一。
定标样本和验证样本选择通常是采用随机划分的方式。随着光谱大数据的来临，有必要研究样本集划分的自适应优化方法，实现对训练样本集的快速合理划分，以提高光谱建模预测能力。基于此，本发明提出一种基于禁忌优化的光谱建模样本集快速划分方法(简称禁忌优化样本划分方法，记为TOSA方法)，综合考虑样本的成分差异和光谱差异，首先利用加权距离的2-均值聚类方法进行定标样本和验证样本的初始划分，然后利用改进的禁忌搜索方法对初始划分进行优化，将定标集和验证集中的部分样本进行互换，生成多个候选划分对象，将候选对象进行禁忌存储并逐个优化对比，确定当前迭代的最优划分组合(即最优解)，经过多次迭代实现对当前解的优化。通过设定互换样本的数量、候选解的数量、禁忌表的长度和迭代次数，即可实现针对样本集划分的持续性优化，以数据驱动的方式寻找最优样本集划分结果，并最终输出，进一步执行光谱预处理、建模优化、模型预测和评价等环节，有利于提高光谱模型的预测能力。
发明内容
本发明是为近红外、红外光谱定量分析技术提供一种基于禁忌优化的光谱建模样本集快速划分方法，即TOSA方法。该方法能够针对不同的分析对象，快速自动地找到光谱训练样本集的合理划分方案，在光谱分析过程中实现模型优化。
本发明的基于禁忌优化的光谱建模样本集快速划分方法的具体步骤为：
步骤一，采用基于加权距离的2-均值聚类方法划分训练样本集(Cal)和验证样本集(Val)。将每个样本的光谱向量vi(i＝1，2...n)视为高维空间中的数据点，以样本数据的加权欧式距离为指标计算所有n个样本两两之间的距离；加权欧式距离定义为
Figure GDA0003892121830000031
其中，vi和vj为第i，j个样本的光谱向量(i，j＝1，2...n)，σi和σj为第i，j个样本的权值(在光谱分析中选取样本对应的化学参考值作为该权值)，该权值直接作用于光谱向量。基于聚类划分原则，首先将距离最远(即d值最大)的两个样本分别划分到Cal集和Val集中，然后以这两个样本为初始聚类中心，将其他样本聚类划分到对应样本集中；以此获取Cal和Val的样本划分结果；
步骤二，设置禁忌优化(Tabu Optimization)的最高迭代次数为T；设置禁忌表(Tabu Table，以下简称Table)长度Len；
步骤三，当前迭代次数(it)初始化为0；Table初始化为空表；将步骤一得到的Cal和Val样本集合的划分结果作为样本划分禁忌优化问题的当前解(记为S)；
步骤四，针对每一次迭代判断Table的非空单元格数量(w_len)是否小于Len：如果w_len＜Len，将当前解S增加写入Table；如果w_len＝Len，则按照先入先出的原则，利用当前解S替换最先被写入Table中的一个解，更新Table；
步骤五，对当前解S中的Cal和Val样本执行随机k对互换进行数据调整，即随机选择k个Cal样本放入Val中，同时选择k个Val样本放入Cal中(其中k的取值必须小于Cal样本集中的数量并同时小于Val样本集中的数量)。随机互换执行m次，生成m个优化候选解
Figure GDA0003892121830000032
步骤六，判断每一个候选解
Figure GDA0003892121830000033
是否在当前的Table中储存，分为以下两种情况进行讨论：
①如果存在有部分
Figure GDA0003892121830000041
没有在当前的Table中储存，根据目标函数的适应度(预测偏差最小)选择不在当前Table中的最优候选解
Figure GDA0003892121830000042
将
Figure GDA0003892121830000043
赋予S，跳转至步骤七；
②如果全部m个
Figure GDA0003892121830000044
都已经被存储在当前的Table中，根据目标函数的适应度判断每一个
Figure GDA0003892121830000045
的建模效果是否优于S的建模效果：如果全部m个
Figure GDA0003892121830000046
的建模效果都不能优于S，跳转至步骤八；如果存在部分
Figure GDA0003892121830000047
的建模效果优于S，将效果更优的若干个
Figure GDA0003892121830000048
从Table中移除(即解除禁忌，允许下一次迭代重新考虑该解)，并选择将其中的最优候选解
Figure GDA0003892121830000049
赋予S，跳转至步骤七；
步骤七，当前迭代次数it自加1，并判断it是否小于最高迭代次数T：如果it<T则跳转至步骤四，如果it＝T则跳转至步骤八；
步骤八，终止禁忌优化的迭代过程，输出当前解S(即输出一个经过禁忌优化的Cal和Val样本集划分)。
禁忌优化的若干参数(T,Len,k,m)，可调，通过对参数的设置和优化调整，降低算法复杂度，能够实现对样本集划分问题的智能优化，有利于快速确定光谱建模的样本集优化划分。
与现有技术相比，本发明的基于禁忌优化的光谱建模样本集快速划分方法(TOSA方法)的优势在于以下3个方面：(1)综合考虑光谱测量值和化学参考值的成分信息响应，基于加权距离的2-均值聚类方法生成样本集划分禁忌优化的初始解集，利用迭代优化原理对候选解进行优化判别，能够较好地克服随机划分所带来的建模不确定性，避免模型陷入局部优化模式；(2)设置禁忌表存储优化搜索的禁忌对象，使得曾经被搜索过且建模效果没有提升的样本集划分方案不再被重复搜索，能够有效地降低模型计算复杂度，加快运算速度；(3)通过调整TOSA方法的循环迭代次数、禁忌表存储长度、互换样本数量、候选解集数量等几个关键参数，根据目标函数判断算法输出的优化结果，结合经典的光谱建模过程分析，能够有效提高近红外/红外光谱定标模型的预测能力，对于便携式专用光谱仪的嵌入式数据分析在实时快速建模方面的应用提供良好的算法技术支持。
本发明的TOSA方法针对近红外/红外谱段的一般光谱分析领域而提出，可以推广应用于同谱段的荧光光谱、拉曼光谱、表面增强光谱的定量分析过程。已经在鱼粉蛋白的NIR定量分析中得到验证。
附图说明
图1为本发明的TOSA算法的工作流程图。
图2为本发明实施例中TOSA方法的步骤一所产生的定标样本集和验证样本集的初始划分结果分布图。
图3为本发明实施例中TOSA方法执行过程中每一次优化迭代的建模结果趋势图。
图4为本发明实施例中TOSA方法执行完成后所形成的禁忌优化样本集划分结果分布图。
具体实施方式
以下利用一个实施例对本发明予以进一步的说明，但并不因此而限制本发明。
实施例：
鱼粉样本的蛋白含量NIR光谱定量分析。共有102个鱼粉样品(n＝102)，目标成分为蛋白含量，其化学参考值取值范围为62.05-66.68(％)，光谱测量设置的连续长波段区域是1100-2498(nm)，相邻波长间隔2nm；按照常规2：1的比例，预先设置定标样本和验证样本的数量分别为70个和32个，利用本发明的TOSA方法实现对训练样本集的快速划分，结合经典偏最小二乘(PLS)方法进行光谱建模，采用均方根偏差(RMSE)来评价TOSA划分的建模效果，并与随机划分进行对比。
具体步骤为：步骤一，采用基于加权距离的2-均值聚类方法划分训练样本集(Cal)和验证样本集(Val)。将102个样本的光谱向量vi(i＝1，2...102)视为高维空间中的数据点，以加权欧式距离为指标计算所有102个样本两两之间的距离
Figure GDA0003892121830000061
其中，vi和vj为第i，j个样本的光谱向量(i，j＝1，2...102)，σi和σj为第i，j个样本的权值(即对应样本的化学参考值)。得到距离最远(即d值最大)的两个样本为19号和38号，则将9号样本和38号样本分别划分到Cal集和Val集中，然后以这两个样本为初始聚类中心，以2-均值聚类的模式将其他样本聚类划分到对应样本集中，获取Cal和Val的样本划分结果(见图2)；步骤二，设置禁忌优化(Tabu Optimization)的最高迭代次数为T＝50；设置禁忌表(Table)的长度Len＝10；步骤三，当前迭代次数(it)初始化为0；Tab1e初始化为空表；将步骤一得到的Cal和Val样本划分结果(即图2的划分结果)作为样本划分禁忌优化问题的当前解(记为S)；步骤四，针对每一次迭代判断Table的非空单元格数量(w_len)是否小于10：如果w_len＜10，将当前解S增加写入Table；如果w_len＝10，则按照先入先出的原则，利用当前解S替换最先被写入Table中的一个解，更新Table；步骤五，对当前解S中的Cal和Val样本执行随机k对互换进行数据调整(设置k＝2)，即随机选择2个Cal样本放入Val中，同时选择2个Val样本放入Cal中。随机互换可以执行m次(设置m＝20)，生成20个优化候选解
Figure GDA0003892121830000071
Figure GDA0003892121830000072
步骤六，判断每一个候选解
Figure GDA0003892121830000073
是否在当前的Table中储存，分为以下两种情况进行讨论：①如果20个候选解中存在有部分
Figure GDA0003892121830000074
没有在当前的Table中储存，根据目标RMSE最小选择不在当前Table中的最优候选解
Figure GDA0003892121830000075
Figure GDA0003892121830000076
将
Figure GDA0003892121830000077
赋予S，跳转至步骤七；②如果全部20个
Figure GDA0003892121830000078
都已经被存储在当前的Table中，根据目标函数的适应度判断每一个
Figure GDA0003892121830000079
的建模效果是否优于S的建模效果：如果全部20个
Figure GDA00038921218300000710
的建模效果都不能优于S，跳转至步骤八；如果存在部分
Figure GDA00038921218300000711
的建模效果优于S，将效果更优的若干个
Figure GDA00038921218300000712
从Table中移除(即解除禁忌，允许下一次迭代重新考虑该解)，并选择将其中的最优候选解
Figure GDA00038921218300000713
赋予S，跳转至步骤七；步骤七，当前迭代次数it自加1(即it＝it+1)，并判断it是否小于50：如果it<50则跳转至步骤四，如果it＝50则跳转至步骤八；步骤八，终止禁忌优化的迭代过程，输出当前解S，即输出一个经过禁忌优化的Cal和Val样本集划分。图3为求得优化当前解S的迭代趋势图，图4为TOSA优化后的当前解S所对应的Cal和Val样本集划分结果。
将本实施例中的基于加权2-均值聚类的初始样本划分(图1的划分)、经过禁忌优化的样本划分(图3的划分)，以及在本实施例以外的随机划分进行比较，结合近红外的经典PLS建模方法预测鱼粉蛋白含量，得到模型对比结果如表1所示。经过对比，TOSA方法所获取的样本集划分优化方案在鱼粉蛋白的近红外数据模型训练中得到更低的预测均方根偏差，可用于对未知样本的预测。
表1基于不同划分方法的近红外建模预测结果
Figure GDA00038921218300000714
Figure GDA0003892121830000081

Claims (1)

1.一种基于禁忌优化的光谱建模样本集快速划分方法，其特征在于具体步骤为：
步骤一，采用基于加权距离的2-均值聚类方法划分训练样本集Cal和验证样本集Val，将每个样本的光谱向量vi，i＝1,2…n，视为高维空间中的数据点，以样本数据的加权欧式距离为指标计算所有n个样本两两之间的距离；加权欧式距离定义为：
Figure FDA0003892121820000011
其中，vi和vj为第i,j个样本的光谱向量i,j＝1,2…n，σi和σj为第i,j个样本的权值，在光谱分析中选取样本对应的化学参考值作为该权值，该权值直接作用于光谱向量，基于聚类划分原则，首先将距离最远，即d值最大的两个样本分别划分到训练样本集Cal和验证样本集Val中，然后以这两个样本为初始聚类中心，将其他样本聚类划分到对应样本集中；以此获取训练样本集Cal和验证样本集Val的样本划分结果；
步骤二，设置禁忌优化的最高迭代次数为T；设置禁忌表长度Len；
步骤三，当前迭代次数it初始化为0；禁忌表初始化为空表；将步骤一得到的Cal和Val样本集合的划分结果作为样本划分禁忌优化问题的当前解，记为S；
步骤四，针对每一次迭代判断禁忌表的非空单元格数量w_len是否小于Len：如果w_len<Len，将当前解S增加写入禁忌表；如果w_len＝Len，则按照先入先出的原则，利用当前解S替换最先被写入禁忌表中的一个解，更新禁忌表；
步骤五，对当前解S中的训练样本集Cal和验证样本集Val的样本执行随机k对互换进行数据调整，即随机选择k个训练样本Cal的样本放入验证样本集Val中，同时选择k个验证样本集Val的样本放入训练样本集Cal中，其中k的取值必须小于训练样本集中的数量并同时小于验证样本集的样本集中的数量，随机互换执行m次，生成m个优化候选解
Figure FDA0003892121820000021
步骤六，判断每一个候选解
Figure FDA0003892121820000022
是否在当前的禁忌表中储存，分为以下两种情况进行讨论：
①如果存在有部分
Figure FDA0003892121820000023
没有在当前的禁忌表中储存，根据目标函数的适应度，预测偏差最小，选择不在当前禁忌表中的最优候选解
Figure FDA0003892121820000024
将
Figure FDA0003892121820000025
赋予S，跳转至步骤七；
②如果全部m个
Figure FDA0003892121820000026
都已经被存储在当前的禁忌表中，根据目标函数的适应度判断每一个
Figure FDA0003892121820000027
的建模效果是否优于S的建模效果：如果全部m个
Figure FDA0003892121820000028
的建模效果都不能优于S，跳转至步骤八；如果存在部分
Figure FDA0003892121820000029
的建模效果优于S，将效果更优的若干个
Figure FDA00038921218200000210
从禁忌表中移除，即解除禁忌，允许下一次迭代重新考虑该解，并选择将其中的最优候选解
Figure FDA00038921218200000211
赋予S，跳转至步骤七；
步骤七，当前迭代次数it自加1，并判断it是否小于最高迭代次数T：如果it<T则跳转至步骤四，如果it＝T则跳转至步骤八；
步骤八，终止禁忌优化的迭代过程，输出当前解S，即输出一个经过禁忌优化的Cal和Val样本集划分；
禁忌优化的若干参数T,Len,k,m，可调，通过对参数的设置和优化调整，可以降低算法复杂度，能够实现对样本集划分问题的智能优化，有利于快速确定光谱建模的样本集优化划分。
CN202010635852.3A 2020-07-03 2020-07-03 一种基于禁忌优化的光谱建模样本集快速划分方法 Active CN112036432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010635852.3A CN112036432B (zh) 2020-07-03 2020-07-03 一种基于禁忌优化的光谱建模样本集快速划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010635852.3A CN112036432B (zh) 2020-07-03 2020-07-03 一种基于禁忌优化的光谱建模样本集快速划分方法

Publications (2)

Publication Number Publication Date
CN112036432A CN112036432A (zh) 2020-12-04
CN112036432B true CN112036432B (zh) 2022-12-06

Family

ID=73579477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010635852.3A Active CN112036432B (zh) 2020-07-03 2020-07-03 一种基于禁忌优化的光谱建模样本集快速划分方法

Country Status (1)

Country Link
CN (1) CN112036432B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113588596A (zh) * 2021-08-25 2021-11-02 浙江大学 一种鱼粉中掺假动物源蛋白粉鉴别和含量检测方法及系统
CN117171566B (zh) * 2022-08-17 2024-05-10 无锡迅杰光远科技有限公司 样品含量识别方法、装置和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622527A (zh) * 2012-04-13 2012-08-01 西南大学 一种用于皮肤电反应信号特征选择的禁忌搜索方法
CN102631194A (zh) * 2012-04-13 2012-08-15 西南大学 一种用于心电特征选择的禁忌搜索方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8131656B2 (en) * 2006-01-31 2012-03-06 The Board Of Trustees Of The University Of Illinois Adaptive optimization methods
WO2010148238A2 (en) * 2009-06-17 2010-12-23 Board Of Regents, The University Of Texas System System and method for solving multiobjective optimization problems
CN107563448B (zh) * 2017-09-11 2020-06-23 广州讯动网络科技有限公司 基于近红外光谱分析的样本空间聚类划分法
CN109800910B (zh) * 2019-01-10 2021-04-06 浙江工业大学 一种基于禁忌搜索的超启发式算法的车辆路径优化方法
CN112819216B (zh) * 2021-01-26 2024-04-05 国网安徽省电力有限公司电力科学研究院 一种基于风电序列场景集的生成方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622527A (zh) * 2012-04-13 2012-08-01 西南大学 一种用于皮肤电反应信号特征选择的禁忌搜索方法
CN102631194A (zh) * 2012-04-13 2012-08-15 西南大学 一种用于心电特征选择的禁忌搜索方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An Optimal Sample Allocation Strategy for Partition-Based Random Search;Weiwei Chen 等;《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》;20140131;第11卷(第1期);177-186 *
基于禁忌搜索的近红外光谱建模样本集划分优化方法;陈华舟 等;《光谱学与光谱分析》;20201031;第40卷(第10期);49-50 *
基于禁忌粒子群优化的FCM聚类方法;陈晓霞 等;《湖北工业大学学报》;20130415;第28卷(第2期);45-48 *
改进粒子群联合禁忌搜索的特征选择算法;张震 等;《通信学报》;20181231;第39卷(第12期);2018287-1：9 *

Also Published As

Publication number Publication date
CN112036432A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
Ballabio et al. A MATLAB toolbox for Self Organizing Maps and supervised neural network learning strategies
EP3540654A1 (en) Learning classification device and learning classification method
Mohamad et al. A modified binary particle swarm optimization for selecting the small subset of informative genes from gene expression data
US8452716B2 (en) Kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data
CN112036432B (zh) 一种基于禁忌优化的光谱建模样本集快速划分方法
CN107292350A (zh) 大规模数据的异常检测方法
CN108446741B (zh) 机器学习超参数重要性评估方法、系统及存储介质
CN108985335B (zh) 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN112232413B (zh) 基于图神经网络与谱聚类的高维数据特征选择方法
US20200125945A1 (en) Automated hyper-parameterization for image-based deep model learning
US11494689B2 (en) Method and device for improved classification
US11550823B2 (en) Preprocessing for a classification algorithm
CN111914728A (zh) 高光谱遥感影像半监督分类方法、装置及存储介质
CN110309822B (zh) 基于量子进化粒子群算法的高光谱图像波段选择方法
CN116601715A (zh) 通过主动学习进行药物优化
CN112463638A (zh) 基于神经网络的模糊测试方法及计算机可读存储介质
CN113408616B (zh) 基于pca-uve-elm的光谱分类方法
CN113177576B (zh) 一种用于目标检测的多示例主动学习方法
CN111897735B (zh) 基于粒子群和多标准的模糊测试用例选择方法和装置
CN113139513A (zh) 基于超像素轮廓和改进pso-elm的空谱主动学习高光谱分类方法
Tesser et al. Selecting efficient VM types to train deep learning models on Amazon SageMaker
CN116129189A (zh) 一种植物病害识别方法、设备、存储介质及装置
KR100445427B1 (ko) 방사형 기저함수를 이용한 마이크로 어레이 데이터분류모델 생성시스템 및 그 방법
CN110766087A (zh) 一种基于离差最大化法改进k-means的提高数据聚类质量的方法
CN107527061B (zh) 基于归一化多维互信息和克隆选择的高光谱波段选择方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant