CN112819062A - 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 - Google Patents

基于混合粒子群和连续投影的荧光光谱二次特征选择方法 Download PDF

Info

Publication number
CN112819062A
CN112819062A CN202110114945.6A CN202110114945A CN112819062A CN 112819062 A CN112819062 A CN 112819062A CN 202110114945 A CN202110114945 A CN 202110114945A CN 112819062 A CN112819062 A CN 112819062A
Authority
CN
China
Prior art keywords
fluorescence spectrum
particle swarm
characteristic
algorithm
continuous projection
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.)
Granted
Application number
CN202110114945.6A
Other languages
English (en)
Other versions
CN112819062B (zh
Inventor
季仁东
王晓燕
曹苏群
卞海溢
朱铁柱
庄立运
杨玉东
顾相平
韩月
蒋喆臻
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.)
Suzhou Huijite Network Technology Co ltd
Original Assignee
Huaiyin Institute 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110114945.6A priority Critical patent/CN112819062B/zh
Publication of CN112819062A publication Critical patent/CN112819062A/zh
Application granted granted Critical
Publication of CN112819062B publication Critical patent/CN112819062B/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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Genetics & Genomics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，其特征在于：首先应用混合粒子群算法对荧光光谱进行第一次特征选择，从原始高维的荧光光谱中优选出若干维具有显著特征的荧光光谱实现第一次降维；然后在特征光谱中继续应用连续投影算法实现第二次特征选择，以此对荧光光谱进行第二次降维。该方法充分利用了粒子群算法、遗传算法和连续投影算法的优点，能对荧光光谱实现有效降维。

Description

基于混合粒子群和连续投影的荧光光谱二次特征选择方法
技术领域
本发明属于光谱信息处理领域，涉及一种荧光光谱的特征降维处理方法，特别涉及一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法。
背景技术
物质的荧光光谱具有维数高、信息量大的特点，基于原始荧光光谱进行建模定量分析时通常具有较高的精度，但由于原始光谱中含有大量冗余信息，将使得模型训练复杂、运算效率低下。应用特征选择的方法对原始荧光光谱进行降维处理显得尤为必要，基于降维后的特征光谱进行建模分析将会大大加快训练速度，且对应的模型更加简单实用。特征选择是指从原始的数据集中，根据算法规则选择某个特征子集(该子集仍是原始数据集中的一部分)，使得该子集可近似表达原始问题，以特征光谱代替原始光谱信息参与建模，以此实现光谱降维。用来实现特征选择的方法主要有遗传算法、粒子群算法、连续投影等算法。
现有的特征选择方法仍然存在一些不足，比如，使用粒子群算法的时候，其将当前搜索到的最优位置作为共享信息，容易陷入局部最优，从而出现“早熟收敛”现象，通常需要结合其它算法进行改进，避免过早收敛于局部最优解。结合其他算法后，还会存在降维后的特征光谱通常仍具有较高维度，对应的建模变量仍包含一定的冗余信息，模型复杂度仍然较高，不利于模型训练速度的提高。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，在应用混合粒子群算法对原始荧光光谱进行第一次光谱降维之后，继续应用连续投影算法进行第二次特征降维，进一步降低了光谱数据间的冗余信息，提高了模型训练速度，降低了模型复杂度。
本发明是通过以下技术方案实现的：
基于混合粒子群和连续投影的荧光光谱二次特征选择方法，包括以下步骤：
(1)应用混合粒子群算法对原始荧光光谱进行第一次特征选择；
(2)获得第一次降维后的特征荧光光谱；
(3)应用连续投影算法对特征荧光光谱进行第二次特征选择；
(4)获得第二次降维后的特征荧光光谱。
本发明的进一步改进方案为：
步骤(1)中所述混合粒子群算法为在粒子群算法的粒子更新环节引入遗传算法，所述步骤(1)的过程为：以混合粒子群算法结合支持向量机回归模型对原始荧光光谱进行特征选择，获得第一次降维后的特征荧光光谱和优化后的支持向量机参数。
进一步的，所述粒子群算法为离散二进制粒子群算法。
进一步的，所述步骤(3)的过程为：针对第一次降维后获得的特征荧光光谱，应用连续投影算法结合多元线性回归模型对特征光谱进行第二次特征选择，获得第二次降维后的特征荧光光谱。
进一步的，基于第二次降维后的特征荧光光谱，结合优化后的支持向量机参数进行支持向量机回归建模，进行精确定量分析，以此验证二次降维后特征荧光光谱的显著性。
粒子群优化算法(Particle Swarm Optimization，PSO)由Kennedy和Eberhart 在1995年提出，其思想来源于模拟鸟群的捕食行为，是一种基于“群体”和“进化”的优化算法。在粒子群迭代过程中，每个粒子都代表问题的一个潜在解，由适应度值评价粒子的优劣，粒子速度根据自身移动的历史信息以及其它粒子的移动经验信息进行动态调整，从而实现解空间中的寻优。
遗传算法(GeneticAlgorithms，GA)由Michigan大学的J.H.Holland教授于六十年代提出，该方法模拟自然界中的遗传机制，是一种并行随机搜索的最优化方法。它引入自然界“优胜劣汰，适者生存”的生物进化理论，通过选择、交叉和变异等遗传操作保留适应度较高的个体，并淘汰适应度低的个体，使生成的新群体对应的适应度值越来越高。当N代迭代结束后，末代种群内产生了适应度值最高的个体，即最优个体，将其解码后即可作为问题的近似最优解。
本发明使用混合粒子群算法，即是在粒子群算法的粒子更新环节引入遗传算法，通过选择、交叉和变异等遗传操作增加粒子的多样性，这样可避免陷入局部最优。该方法综合了遗传算法、粒子群算法的优点，收敛快且避免进入局部最优解。将混合粒子群算法用于荧光光谱的特征选择，可从原始高维数据中优化得到若干显著的特征光谱，能够在一定程度上实现降维作用。
连续投影算法(Successive ProjectionAlgorithm，SPA)是由Araujo在研究多元校正过程中提出的一种特征降维方法。SPA采用连续投影策略进行变量排序产生一系列特征变量子集，通过比较变量子集所对应模型的预测能力筛选出最优变量子集，可以最大限度地消除被选变量之间的共线性，避免信息重复，使变量间的信息冗余度最低。本发明将连续投影算法应用于荧光光谱的二次降维，进一步去除光谱数据间的冗余信息，获得更为精简有效的模型。
与现有技术相比，本发明的有益效果为：
本发明提出一种针对荧光光谱的二次特征选择方法，首先应用混合粒子群算法进行第一次特征选择，获得第一次降维后的特征荧光光谱；然后应用连续投影算法进行第二次特征选择，获得第二次降维后的特征荧光光谱。本发明能够对原始荧光光谱实现有效降维，从原始高维荧光光谱中选择出显著的低维荧光特征波长。
附图说明
图1为本发明的选择流程图；
图2为混合粒子群算法第一次特征选择流程图；
图3为连续投影算法第二次特征选择流程图；
图4为以农药克菌丹为例，混合粒子群算法第一次特征选择结果图；
图5为以农药克菌丹为例，连续投影算法第二次特征选择结果图；
图6为二次特征选择后的克菌丹浓度预测结果。
具体实施方式
针对荧光光谱的特征降维问题，本发明首先应用混合粒子群算法对原始荧光光谱进行第一次特征选择，获得初步的特征波长后，再应用连续投影算法针对初步特征波长进行第二次特征选择，由此获得显著性更高且维数更低的特征波长点，实现有效的特征降维。
为便于公众理解，首先对混合粒子群、连续投影算法的相关内容进行简要介绍。
混合粒子群算法是在粒子群算法中引入遗传操作，增加粒子的多样性，使得算法快速收敛的同时避免进入局部最优解。
粒子群算法的基本原理如下：
假设在一个D维搜索空间中，总粒子数为n，第i个粒子的位置属性为 Xi＝(Xi1,Xi2,...,XiD)，速度为Vi＝(Vi1,Vi2,...,ViD)，个体极值设为Pi＝(Pi1,Pi2,...,PiD)，全局极值为Pg＝(Pg1,Pg2,...,PgD)，则粒子速度和位置的更新公式为：
Vid k+1＝wVid k+c1r1(Pid k-Xid k)+c2r2(Pgd k-Xid k) (1)
Xid k+1＝Xid k+Vid k+1 (2)
其中：w为惯性权重，代表着前一代速度对当前代速度的影响，惯性权重的取值一般有常数法、线性递减法和自适应法等；d＝1,2,...,D，i表示粒子的编号， i＝1,2,...,n，k为当前迭代次数，Vid k、Xid k分别代表第i个粒子在k代的速度和位置； c1和c2称为学习因子或者加速常数，代表粒子向个体极值和全局极值优化的加速权值，c1和c2通常设置为2，代表着对两个引导方向的重视程度相同，两者也可不相等，但其范围一般在0和4之间。r1和r2为分布于0-1之间的随机数。为了防止粒子在进化过程中离开搜索空间，粒子的速度变化范围通常限制在 [-Vmax,Vmax]，即在迭代过程中给速度设置边界值。粒子群的初始位置和初始速度随机产生，然后按公式(1)与(2)进行迭代，直到找到最优解。
离散二进制粒子群属于粒子群算法的一种，其粒子速度仍然采用公式(1) 进行更新，但粒子位置只取0、1两个离散值，通过Sigmoid函数将粒子速度映射到[01]区间作为粒子取1的概率，其中Sigmoid函数定义为：
Figure BDA0002917630150000041
该式将粒子速度Vid转换为粒子位置取1的概率s(Vid)，然后根据此概率大小再确定粒子位置Xid的取值为1还是0，粒子位置更新公式如下：
Figure BDA0002917630150000051
每个粒子在搜索空间中单独搜寻最优解，且个体极值与全局极值的信息被所有粒子共享，其它粒子根据这些共享的极值信息调整自己的粒子速度和位置，当迭代结束后，种群内的全局最优解即为最优粒子。
连续投影算法的基本原理如下：
将光谱属性矩阵记为XM×J(M为样本数，J为波长个数)，以Xk(0)代表初始波长向量，需要筛选的特征波长个数设为N。首先将某一个波长选中，然后计算该波长在其它剩余未被选入波长上的投影，再将投影向量最大的波长筛选到特征波长组合，按此步骤共筛选完成N个特征波长后结束计算。连续投影算法优选特征波长的步骤为：
(1)在迭代开始前(n＝1)，任选一个光谱属性矩阵X中的某一列向量xj，记作Xk(0)；
(2)将其它未被选中的波长变量集合记为set，
Figure RE-GDA0002992351790000052
(3)按照式(5)计算当前向量xk(n-1)对set集合中剩余的列向量xj投影：
Figure BDA0002917630150000057
(4)获取最大投影值
Figure BDA0002917630150000053
所对应的波长k(n)，则
Figure BDA0002917630150000054
j∈set；
(5)将上述最大投影值
Figure BDA0002917630150000055
作为下次迭代的初始值，即：
Figure BDA0002917630150000056
j∈set；
(6)令n＝n+1，若n＜N，返回步骤(2)循环计算。
(7)直到n＝N，循环结束，最终提取出的波长位置为{k(n),n＝0,1,...,N-1}。
对应于每一个初始k(0)和N，循环一次后进行多元线性回归分析，计算交叉验证集对应的均方根误差(RMSECV)，所有RMSECV中最小值对应的k(n)即为筛选出的显著变量组合。连续投影算法是一种重要的特征变量选择方法，其筛选出的特征波长能够概括大多数样品的光谱信息，基于特征光谱进行回归能够降低模型复杂度并减少计算量，提高训练速度及效率。
下面结合具体实施例对本发明作进一步描述；
实施例1：基于混合粒子群和连续投影的荧光光谱二次特征选择方法，参见图2-图6，具体过程如下：
1.如图2所示，首先应用混合粒子群算法对原始荧光光谱进行第一次特征选择，主要流程是应用离散二进制粒子群算法对原始荧光光谱进行特征选择，其中，在其粒子更新环节引入遗传操作，包括交叉、变异等操作，增加粒子的多样性。该过程主要包括以下步骤：
(1)二进制编码
针对原始荧光光谱，假设N为荧光光谱的波长点个数，则设定N+20维二进制码，前N个表示波长点是否被选为特征波长点，其中，取值为1表示选中该波长点，取值为0表示未被选中。后面20个二进制码代表支持向量机的2个参数。该编码方式同时对特征波长选择和模型参数进行优化。
(2)粒子群初始化
对粒子群进行初始化，随机赋值0或1给N+20维二进制码，表示特征波长的初始选中状态以及支持向量机的初始参数。
(3)计算适应度值
以支持向量机为回归模型，将粒子群中取值为1的特征波长所对应的荧光光谱作为支持向量机输入，基于高斯核函数和粒子群中所对应的模型参数完成支持向量机训练建模，将模型输出的预测值与实际值之间的均方根误差作为该行粒子的适应度值，可见适应度值越高表示该行粒子对应的特征波长越显著。
(4)更新个体极值和全局极值
根据粒子所对应的适应度值对个体极值和全局极值进行更新，确保适应度值高的优秀粒子继续出现在后面的迭代中。
(5)粒子更新引入交叉、变异等遗传操作
将个体粒子分别与个体极值、全局极值进行交叉操作，并结合变异操作增加粒子的多样性，使其快速收敛的同时能够避免进入局部最优。
(6)迭代结束后获得特征波长
满足迭代结束条件后，全局极值即为最优粒子，其所对应的特征波长即为第一次特征降维的结果，同时获得了支持向量机回归模型的优化参数。
2.如图3所示，在应用混合粒子群算法结合支持向量机模型对原始荧光光谱进行第一次优化后，可获得第一次降维后的初步特征波长，并同时获得优化后的支持向量机参数。然后，应用连续投影算法结合多元回归对初步特征波长进行第二次特征选择，可获得第二次降维后的特征波长，此为该发明的最终结果，其对于的波长显著性高且维数低，能够代表原始荧光光谱的特性。基于二次降维后的特征波长重新构建训练集、测试集，结合前述获得的优化支持向量机参数重新训练模型，并对模型进行性能测试，可获得精简有效的支持向量机模型。
3.如图4所示，以农药克菌丹为例，图中实线为其原始荧光光谱，波长范围为300nm-500nm，纵轴为其对应的荧光强度值，由图3可知，克菌丹在340nm 处具有明显特征峰，420nm为其肩峰。应用混合粒子群结合支持向量机模型对原始荧光光谱进行第一次特征选择后，优选出的特征波长如图3中的方框点所示，特征维数为55维，优化后的最佳支持向量机参数为：c＝10，g＝0.03，其中，c 为惩罚因子，g为核函数参数。
4.如图5所示，在获得初步特征波长后，进一步应用连续投影算法结合多元回归模型进行第二次特征选择，优选出的特征波长如图4中的方框点所示，其特征维数为12维，可见通过两次特征降维，能够从原始荧光光谱中优选出显著性较高的低维特征波长，该12维特征波长即可代表原始荧光光谱的特性，以这些特征波长作为建模变量将使得模型训练速度加快，且模型更加简单有效。
5.如图6所示，以二次特征选择后的12维特征波长为建模变量，应用前述获得的最优支持向量机参数(c＝10，g＝0.03)，针对训练集样本进行支持向量机回归建模，训练完成后分别针对训练集、测试集样本进行模型性能测试，结果如图5.其中，横轴为样本浓度实际值，纵轴为样本浓度的模型预测值，由图可知，训练集、测试集对应的决定系数均大于0.99，均方根误差分别为 0.01414mg/ml、0.01732mg/ml，回归性能良好。这说明二次降维后的特征波长能够有效代表原始荧光光谱特性，由此验证了本发明所提出的基于混合粒子群和连续投影的荧光光谱二次特征选择方法的有效性。

Claims (5)

1.一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，其特征在于，包括以下步骤：
（1）应用混合粒子群算法对原始荧光光谱进行第一次特征选择；
（2）获得第一次降维后的特征荧光光谱；
（3）应用连续投影算法对特征荧光光谱进行第二次特征选择；
（4）获得第二次降维后的特征荧光光谱。
2.根据权利要求1所述的一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，其特征在于：步骤（1）中所述混合粒子群算法为在粒子群算法的粒子更新环节引入遗传算法，所述步骤（1）的过程为：以混合粒子群算法结合支持向量机回归模型对原始荧光光谱进行特征选择，获得第一次降维后的特征荧光光谱和优化后的支持向量机参数。
3.根据权利要求2所述的一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，其特征在于：所述粒子群算法为离散二进制粒子群算法。
4.根据权利要求1所述的一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，其特征在于：所述步骤（3）的过程为：针对第一次降维后获得的特征荧光光谱，应用连续投影算法结合多元线性回归模型对特征光谱进行第二次特征选择，获得第二次降维后的特征荧光光谱。
5.根据权利要求2所述的一种基于混合粒子群和连续投影的荧光光谱二次特征选择方法，其特征在于：基于第二次降维后的特征荧光光谱，结合优化后的支持向量机参数进行支持向量机回归建模，进行精确定量分析，以此验证二次降维后特征荧光光谱的显著性。
CN202110114945.6A 2021-01-26 2021-01-26 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 Active CN112819062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110114945.6A CN112819062B (zh) 2021-01-26 2021-01-26 基于混合粒子群和连续投影的荧光光谱二次特征选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110114945.6A CN112819062B (zh) 2021-01-26 2021-01-26 基于混合粒子群和连续投影的荧光光谱二次特征选择方法

Publications (2)

Publication Number Publication Date
CN112819062A true CN112819062A (zh) 2021-05-18
CN112819062B CN112819062B (zh) 2022-05-17

Family

ID=75860070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110114945.6A Active CN112819062B (zh) 2021-01-26 2021-01-26 基于混合粒子群和连续投影的荧光光谱二次特征选择方法

Country Status (1)

Country Link
CN (1) CN112819062B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804657A (zh) * 2021-09-03 2021-12-17 中国科学院沈阳自动化研究所 一种基于多元回归结合稀疏自编码器光谱特征降维方法
CN113916860A (zh) * 2021-11-02 2022-01-11 淮阴工学院 一种基于荧光光谱的农药残留种类识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928396A (zh) * 2012-10-29 2013-02-13 浙江大学 基于拉曼光谱的尿素同位素丰度的快速检测方法
CN104062273A (zh) * 2014-04-29 2014-09-24 江西农业大学 基于粒子群优化算法的同步荧光光谱特征波长筛选方法
CN104062274A (zh) * 2014-04-29 2014-09-24 江西农业大学 基于遗传优化算法的同步荧光光谱特征波长选择方法
CN104880427A (zh) * 2015-05-29 2015-09-02 华南理工大学 一种猪肉产品快速水分检测方法
CN105718943A (zh) * 2016-01-19 2016-06-29 南京邮电大学 基于粒子群优化算法的特征选择方法
CN105806824A (zh) * 2016-03-22 2016-07-27 武汉轻工大学 基于多源光谱特征融合的食用油种类快速鉴别方法
CN106323909A (zh) * 2016-09-14 2017-01-11 江苏大学 果蔬品质手持式近红外光谱检测系统及检测方法
CN108398391A (zh) * 2018-01-23 2018-08-14 浙江理工大学 一种基于高光谱成像技术的橄榄油掺假的检测方法
CN108681697A (zh) * 2018-04-28 2018-10-19 北京农业质量标准与检测技术研究中心 特征选择方法及装置
CN109001148A (zh) * 2018-08-24 2018-12-14 武汉轻工大学 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法
CN109657653A (zh) * 2019-01-21 2019-04-19 安徽大学 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
WO2019169169A1 (en) * 2018-02-28 2019-09-06 Yun Huang Fluorescence spectral shape analysis for analyte recognition
CN110210529A (zh) * 2019-05-14 2019-09-06 浙江大学 一种基于二进制量子粒子群算法的特征选择方法
CN111860755A (zh) * 2020-07-22 2020-10-30 南京工程学院 基于支持向量机回归的改进粒子群算法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928396A (zh) * 2012-10-29 2013-02-13 浙江大学 基于拉曼光谱的尿素同位素丰度的快速检测方法
CN104062273A (zh) * 2014-04-29 2014-09-24 江西农业大学 基于粒子群优化算法的同步荧光光谱特征波长筛选方法
CN104062274A (zh) * 2014-04-29 2014-09-24 江西农业大学 基于遗传优化算法的同步荧光光谱特征波长选择方法
CN104880427A (zh) * 2015-05-29 2015-09-02 华南理工大学 一种猪肉产品快速水分检测方法
CN105718943A (zh) * 2016-01-19 2016-06-29 南京邮电大学 基于粒子群优化算法的特征选择方法
CN105806824A (zh) * 2016-03-22 2016-07-27 武汉轻工大学 基于多源光谱特征融合的食用油种类快速鉴别方法
CN106323909A (zh) * 2016-09-14 2017-01-11 江苏大学 果蔬品质手持式近红外光谱检测系统及检测方法
CN108398391A (zh) * 2018-01-23 2018-08-14 浙江理工大学 一种基于高光谱成像技术的橄榄油掺假的检测方法
WO2019169169A1 (en) * 2018-02-28 2019-09-06 Yun Huang Fluorescence spectral shape analysis for analyte recognition
CN108681697A (zh) * 2018-04-28 2018-10-19 北京农业质量标准与检测技术研究中心 特征选择方法及装置
CN109001148A (zh) * 2018-08-24 2018-12-14 武汉轻工大学 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法
CN109657653A (zh) * 2019-01-21 2019-04-19 安徽大学 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
CN110210529A (zh) * 2019-05-14 2019-09-06 浙江大学 一种基于二进制量子粒子群算法的特征选择方法
CN111860755A (zh) * 2020-07-22 2020-10-30 南京工程学院 基于支持向量机回归的改进粒子群算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
OMAR SABER QASIM 等: "Feature selection using particle swarm optimization-based logistic regression model", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 *
李水芳 等: "基于连续投影算法的油菜蜜近红外光谱真伪鉴别的研究", 《食品工业科技》 *
李虹 等: "基于混合粒子群优化算法的故障特征选择", 《系统仿真学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804657A (zh) * 2021-09-03 2021-12-17 中国科学院沈阳自动化研究所 一种基于多元回归结合稀疏自编码器光谱特征降维方法
CN113916860A (zh) * 2021-11-02 2022-01-11 淮阴工学院 一种基于荧光光谱的农药残留种类识别方法

Also Published As

Publication number Publication date
CN112819062B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN112241455B (zh) 基于多层级知识蒸馏预训练语言模型自动压缩方法及平台
CN112819062B (zh) 基于混合粒子群和连续投影的荧光光谱二次特征选择方法
CN112000772B (zh) 面向智能问答基于语义特征立方体的句子对语义匹配方法
US20210334658A1 (en) Method for performing clustering on power system operation modes based on sparse autoencoder
CN103605909B (zh) 一种基于灰色理论及支持向量机的水质预测方法
CN114282646B (zh) 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统
CN113241122A (zh) 自适应弹性网与深度神经网络融合的基因数据变量选择及分类方法
CN116960978A (zh) 基于风速-功率组合分解重构的海上风电功率预测方法
CN114038516B (zh) 一种基于变分自编码器的分子生成与优化方法
Song et al. Importance weighted expectation-maximization for protein sequence design
CN111126560A (zh) 一种基于云遗传算法优化bp神经网络的方法
Phan et al. Efficiency enhancement of evolutionary neural architecture search via training-free initialization
CN113963410A (zh) 一种基于改进遗传算法的人脸识别优化方法
CN114004153A (zh) 一种基于多源数据融合的侵彻深度预测方法
CN112561200A (zh) 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术
CN117334271A (zh) 一种基于指定属性生成分子的方法
CN116305939A (zh) 陆地生态系统碳水通量高精度反演方法、系统及电子设备
CN116842354A (zh) 基于量子人工水母搜索机制的特征选择方法
CN113707234B (zh) 一种基于机器翻译模型的先导化合物成药性优化方法
CN115661546A (zh) 一种特征选择与分类器联合设计的多目标优化分类方法
CN115240787A (zh) 基于深度条件循环神经网络的全新分子生成方法
CN112132259B (zh) 神经网络模型输入参量降维方法及计算机可读存储介质
CN114863508A (zh) 自适应注意力机制的表情识别模型生成方法、介质及设备
CN113392958A (zh) 一种模糊神经网络fnn的参数优化及应用方法与系统
CN113554144A (zh) 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221228

Address after: Room 405, Building D, Suzhou Economic and Technological Development Zone (High tech Entrepreneurship Service Center), Jiangsu 215,600

Patentee after: SUZHOU HUIJITE NETWORK TECHNOLOGY Co.,Ltd.

Address before: 8 / F, Anton building, 10 Hai'an Road, Lianshui County, Huai'an City, Jiangsu Province 223005

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY