CN113435115B - 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 - Google Patents
一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 Download PDFInfo
- Publication number
- CN113435115B CN113435115B CN202110702318.4A CN202110702318A CN113435115B CN 113435115 B CN113435115 B CN 113435115B CN 202110702318 A CN202110702318 A CN 202110702318A CN 113435115 B CN113435115 B CN 113435115B
- Authority
- CN
- China
- Prior art keywords
- fluorescence spectrum
- characteristic wavelength
- spectrum characteristic
- screening
- fluorescence
- 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
Links
- 238000002189 fluorescence spectrum Methods 0.000 title claims abstract description 191
- 238000012216 screening Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010845 search algorithm Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 35
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 16
- 238000010238 partial least squares regression Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012921 fluorescence analysis Methods 0.000 description 1
- 238000010949 in-process test method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质，包括：采集多个待测样品的原始荧光光谱数据，对原始荧光光谱进行标准正态变量变换处理，得到处理后的荧光光谱，使用间隔偏最小二乘法对处理后的荧光光谱进行波段筛选，得到荧光光谱的特征波段，使用布谷鸟搜索算法对荧光光谱的特征波段进行特征波长筛选，得到荧光光谱的特征波长。该装置可以保证荧光光谱特征波长筛选的可靠性。
Description
技术领域
本发明涉及荧光光谱分析技术领域，更具体的涉及一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质。
背景技术
光谱分析技术是近年来发展起来的一种快速无损检测技术，可在生产过程中实时获得样品的客观品质信息，因此，其在过程分析、在线质量监控中都发挥着极其重要的作用。荧光光谱分析技术作为光谱分析的一个重要组成部分，近些年来荧光光谱分析法在理论和应用方面有了较大的进步与发展，各种新型荧光分析仪器的问世，使得荧光光谱分析方法和技术不断朝着高效、痕量、微观、实时、原位和自动化的方向发展，方法的灵敏度、准确度和选择性日益提高，方法的应用范围也大大扩展，遍及工业、农业、生命科学、环境科学、材料科学、食品科学和公安情报等诸多领域。
在建立光谱检测模型时所用到的波长对模型的精度有很大的影响。挑选对模型有用的波长，一方面可以减少计算量，提高分析的速度；另一方面也可以减少错误信息被引入模型中，提高分析的精度。目前常用的波长挑选技术多数所挑选出的是若干个波段，每个波段中仍含有大量波长，相近的波长在数据信息上有一定的重合，不利于简化数据计算和提高模型精度。
发明内容
本发明实施例提供一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质，用以解决上述背景技术中提出的问题。
本发明实施例提供一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质，用以提高光谱采集的可靠性。
本发明实施例提供的具体技术方案如下：
本发明实施例提供了种荧光光谱特征波长筛选方法，步骤包括：
采集多个待测样本的原始荧光光谱数据。
对采集到的原始荧光光谱数据，采用标准正态变量变换进行处理，得到光滑后的荧光光谱。
使用间隔偏最小二乘法模型，对光滑后的荧光光谱进行波段筛选和排序，得到荧光光谱的特征波段。
使用布谷鸟搜索算法，从荧光光谱的特征波段中筛选出荧光光谱特征波长。
进一步，标准正态变量变换采用下面公式进行：
其中，Fluorescence_Spectrumi为标准正态变量变换处理后第i个样本的荧光光谱，Raw_Datai,k为第i个样本的原始荧光光谱的第k个光谱数据，为第i个样本荧光光谱的平均值，k＝1,2,…,3648，i＝1,2,…,N。
进一步，荧光光谱的特征波段筛选步骤包括：
将标准正态变量变换SNV处理后得到的荧光光谱数据按照波长分成K1个同等宽度的间隔区间。其中K1≤3648。
对间隔偏最小二乘法回归iPLS模型的交叉验证均方根误差RMSECV进行计算，计算公式为：
其中，RMSECVKi1为基于第Ki个间隔区间数据构建PLS模型的RMSECV，Ki1＝1,2,…,K1，Y1_PREi为第i个样本的预测值，Yi为第i个样本的实际值，N为样本数量。
将RMSECVKi的值作为荧光光谱波段筛选的评估指标，若RMSECVKi≤1.2则该间隔区间被选为荧光光谱的特征波段之一，若RMSECVKi＞1.2则该间隔区间不被选为荧光光谱的特征波段之一，得到K2个同等宽度间隔区间。
将这K2个间隔区间按照波长从小到大顺序排列即可得到荧光光谱的特征波段。
进一步，使用布谷鸟搜索算法，从荧光光谱的特征波段中筛选出荧光光谱特征波长，包括：
从荧光光谱特征波段中随机初始化荧光光谱特征波长集合。
定义目标函数。
计算荧光光谱特征波长集合的目标函数值并进行比较，得到当前的最优函数值。
利用莱维Levy飞行更新最优荧光光谱特征波长集合以外的其他荧光光谱特征波长集合。
根据其他荧光光谱特征波长集合对应目标函数值与当前最优函数值的比较结果，更新当前最优值。
将生成的服从正态分布的随机数r∈(0,1)和特征波长淘汰概率pa＝0.25比较，更新部分荧光光谱特征波长集合。
根据随机更新后的荧光光谱特征波长集合对应的目标函数值和当前最优值的比较结果，确定最新的最优值。
判断是否满足迭代次数的终止条件。若满足终止迭代条件，迭代停止输出全局最优的荧光光谱特征波长集合。
进一步，目标函数计算公式为：
其中，RMSECVKi3为基于第Ki3个荧光光谱特征波长集合构建PLS模型的RMSECV，Ki3＝1,2,…,K3，Y1_PREi为第i个样本的预测值，Yi为第i个样本的实际值，N为样本数量。
进一步，利用莱维Levy飞行更新荧光光谱特征波长集合的公式为：
其中，表示第ii个荧光光谱特征波长集合在第t+1次更新后的一个新解，/>表示第ii个荧光光谱特征波长集合在第t次迭代时的解，α表示步长比例因子，L(s,λ)表示莱维分布/>s为步长，λ表示游走能力，通常1＜λ≤3，Γ(λ)表示伽马函数/>
进一步，荧光光谱特征波长集合随机更新的公式为：
其中，表示第ii个荧光光谱特征波长集合在第t+1次更新后的一个新解，/>表示第ii个荧光光谱特征波长集合在第t次迭代时的解，α表示步长比例因子，s为步长，ε为取自随机分布中的一个随机数，/>为点乘，/>表示海维赛德函数，/>和/>表示第ij和ik个荧光光谱特征波长集合在第t次迭代时的解，特别地，ij≠ik≠ii。
本实施例提供了一种荧光光谱特征波长筛选装置，包括：光谱采集装置和上位机连接。
光谱采集装置，用于采集多个待测样本的原始荧光光谱数据。
上位机，包括：
标准正态变量变换处理模块，用于对采集到的多个样本的荧光光谱数据使用标准正态变量变换处理，得到光滑后的荧光光谱数据。
间隔偏最小二乘法模型模块，用于使用间隔偏最小二乘法回归模型的交叉验证均方根误差，对光滑后的荧光光谱进行波段筛选，得到荧光光谱的特征波段。
布谷鸟搜索算法模块，用于使用布谷鸟搜索算法从荧光光谱特征波段中筛选荧光光谱特征波长。
本实施例提供了一种荧光光谱特征波长筛选计算机设备，包括：储存器、处理器和存储在存储器内的计算机程序，处理器执行计算机程序时实现权利要求1-4任一项的荧光光谱特征波长筛选方法的步骤。
本实施例提供了一种可读存储介质，可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时，用于执行权利要求1-4任一项的荧光光谱特征波长筛选方法的步骤。
本发明实施例提供一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质，与现有技术相比，其有益效果如下：
本申请提供了一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质，针对荧光光谱特征波长筛选的难题，借助间隔偏最小二乘法和布谷鸟搜索实现荧光光谱特征波长的准确筛选，得到荧光光谱的特征波长，减少光谱数据的冗余信息，提高荧光光谱分析的精度和速度。
针对原始荧光光谱信息采集过程中可能会存在噪声干扰等问题，采用标准正态变量变换对原始荧光光谱进行处理，降低了原始荧光光谱的噪声，提高了荧光光谱的信噪比。
针对荧光光谱数据维度高的特点，采用间隔偏最小二乘法快速得到荧光光谱的特征波段，然后利用群智能优化算法中的布谷鸟搜索算法对荧光光谱的特征波段进行进一步筛选，得到若干不相邻的且与被测指标相关的波长。
附图说明
图1为本发明实施例提供的一种荧光光谱特征波长筛选方法步骤流程图；
图2为本发明实施例提供的一种荧光光谱特征波长筛选方法使用布谷鸟搜索算法筛选特征波长的步骤流程图；
图3为本发明实施例提供的一种荧光光谱特征波长筛选装置示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1～3，本发明实施例提供一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质，包括：
实施例1：
S1、采集多个待测样品的原始荧光光谱，记为Raw_Data；
S2、对原始荧光光谱进行标准正态变量变换(Standardized Normal Variate，SNV)处理，得到处理后的荧光光谱，记为Fluorescence_Spectrum；
S3、使用间隔偏最小二乘法(interval Partial Least Squares，iPLS)对处理后的荧光光谱进行波段筛选，得到荧光光谱的特征波段，记为Characteristic_Band；
S4、使用布谷鸟搜索(Cuckoo Search，CS)算法对荧光光谱的特征波段Characteristic_Band进行特征波长筛选，得到荧光光谱的特征波长，记为Characteristic_Wavelength。
优选地，对原始荧光光谱采用标准正态变量变换处理，采用如下公式(1)进行：
其中，Fluorescence_Spectrumi为标准正态变量变换处理后第i个样本的荧光光谱，Raw_Datai,k为第i个样本的原始荧光光谱的第k个光谱数据，为第i个样本荧光光谱的平均值，k＝1,2,…,3648，i＝1,2,…,N。
优选地，使用PLS对处理后的荧光光谱进行波段筛选，得到荧光光谱的特征波段，包括以下步骤：
将SNV处理后得到的荧光光谱数据Fluorescence_Spectrum按照波长分成K1(K1≤3648)个同等宽度间隔区间。
计算每子间隔区间的偏最小二乘法回归(PLS)模型的交叉验证均方根误差(RMSECV)：
其中，RMSECVKi1为基于第Ki个间隔区间数据构建PLS模型的RMSECV，Ki1＝1,2,…,K1，Y1_PREi为第i个样本的预测值，Yi为第i个样本的实际值，N为样本数量。
将RMSECVKi的值作为荧光光谱波段筛选的评估指标，若RMSECVKi≤1.2则该间隔区间被选为荧光光谱的特征波段之一，若RMSECVKi＞1.2则该间隔区间不被选为荧光光谱的特征波段之一，这样可筛选得到K2个同等宽度间隔区间。
将这K2个间隔区间按照波长从小到大顺序排列即可得到荧光光谱的特征波段Characteristic_Band。
优选地，使用布谷鸟搜索CS算法对筛选后的特征波段进行特征波长筛选，得到荧光光谱的特征波长，包括以下步骤：
设置种群规模PS、搜索空间维数SSD和最大迭代次数MNI，初始化迭代次数t＝0，随机初始化K3个荧光光谱特征波长集合Xi，i＝1,2,…,n。
定义PLS模型的RMSECV作为目标函数，即
其中，RMSECVKi3为基于第Ki3个荧光光谱特征波长集合构建PLS模型的RMSECV，Ki3＝1,2,…,K3，Y1_PREi为第i个样本的预测值，Yi为第i个样本的实际值，N为样本数量。
计算荧光光谱特征波长集合的目标函数值并进行比较，得到当前的最优函数值。
利用莱维(Levy)飞行对除最优荧光光谱特征波长集合以外的其他荧光光谱特征波长集合按照公式(4)进行更新，计算目标函数值，获得的函数值与当前的最优函数值进行比较，若较好，则更新记录当前最优值。
其中，表示第ii个荧光光谱特征波长集合在第t+1次更新后的一个新解，/>表示第ii个荧光光谱特征波长集合在第t次迭代时的解，α表示步长比例因子，L(s,λ)表示莱维分布/>s为步长，λ表示游走能力(通常1＜λ≤3)，Γ(λ)表示伽马函数/>
位置更新后，生成服从正态分布的随机数r∈(0,1)和特征波长淘汰概率pa＝0.25比较，如果r＞pa，则按照公式(5)随机更新一次荧光光谱特征波长集合，否则荧光光谱特征波长集合不变。
其中，表示第ii个荧光光谱特征波长集合在第t+1次更新后的一个新解，/>表示第ii个荧光光谱特征波长集合在第t次迭代时的解，α表示步长比例因子，s为步长，/>为点乘，/>表示海维赛德函数，/>和/>表示第ij和ik个荧光光谱特征波长集合在第t次迭代时的解，特别地，ij≠ik≠ii。
对随机更新后的荧光光谱特征波长集合对应的目标函数值和当前最优值的比较，若较好，得到最新的最优值。
判断是否满足迭代次数的终止条件(即t≥MNI)。若满足终止迭代条件，迭代停止输出全局最优的荧光光谱特征波长集合，得到荧光光谱的特征波长记为Characteristic_Wavelength。
实施例2：
提供了一种荧光光谱特征波长筛选装置，包括搜索光谱采集装置和上位机，光谱采集装置包括激光器、准直镜、滤光片、荧光探头、光谱仪。其中，激光器选用445nm蓝光半导体激光器，准直镜选用74-UV准直透镜，滤光片选用450nm长波通滤光片，荧光探头选用405nm荧光探头，光谱仪选用USB4000微型光纤光谱仪，上位机安装Spectra Suite光谱软件用来获取和保存荧光光谱。
上位机包括：
荧光光谱采集模块：用于采集多个待测样品的原始荧光光谱数据并保存。
标准正态变量变换处理模块：用于对采集到的多个样本的荧光光谱数据使用标准正态变量变换处理并得到光滑后的荧光光谱数据。
交叉验证均方根误差模块：用于使用间隔偏最小二乘法回归模型的交叉验证均方根误差，对处理后的荧光光谱进行波段筛选，得到荧光光谱的特征波段。
布谷鸟搜索算法模块：用于使用布谷鸟搜索算法筛选荧光光谱特征波段中筛选荧光光谱特征波长集合。
实施例3：
提供了一种计算机设备，包括储存器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上的荧光光谱特征波长筛选方法。
实施例4：
提供了一种可读存储介质，其中可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时，用于执行如上的荧光光谱特征波长筛选方法。
以上公开的仅为本发明的几个具体实施例，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明的精神和范围，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围内。
Claims (9)
1.一种荧光光谱特征波长筛选方法，其特征在于，包括：
采集多个待测样本的原始荧光光谱数据；
对采集到的原始荧光光谱数据，采用标准正态变量变换进行处理，得到光滑后的荧光光谱；
使用间隔偏最小二乘法模型，对光滑后的荧光光谱进行波段筛选和排序，得到荧光光谱的特征波段；
使用布谷鸟搜索算法，从荧光光谱的特征波段中筛选出荧光光谱特征波长，包括：
从荧光光谱特征波段中随机初始化荧光光谱特征波长集合；
定义目标函数；
计算荧光光谱特征波长集合的目标函数值并进行比较，得到当前的最优函数值；
利用莱维Levy飞行更新最优荧光光谱特征波长集合以外的其他荧光光谱特征波长集合；
根据其他荧光光谱特征波长集合对应目标函数值与所述当前最优函数值的比较结果，更新当前最优值；
将生成的服从正态分布的随机数r∈(0,1)和特征波长淘汰概率pa＝0.25比较，更新部分荧光光谱特征波长集合；
根据随机更新后的荧光光谱特征波长集合对应的目标函数值和当前最优值的比较结果，确定最新的最优值；
判断是否满足迭代次数的终止条件；若满足终止迭代条件，迭代停止输出全局最优的荧光光谱特征波长集合。
2.如权利要求1所述的一种荧光光谱特征波长筛选方法，其特征在于，所述标准正态变量变换采用下面公式进行：
其中，Fluorescence_Spectrumi为标准正态变量变换处理后第i个样本的荧光光谱，Raw_Datai,k为第i个样本的原始荧光光谱的第k个光谱数据，为第i个样本荧光光谱的平均值，k＝1,2,…,3648，i＝1,2,…,N。
3.如权利要求1所述的一种荧光光谱特征波长筛选方法，其特征在于，所述荧光光谱的特征波段筛选步骤包括：
将标准正态变量变换SNV处理后得到的荧光光谱数据按照波长分成K1个同等宽度的间隔区间；其中K1≤3648；
对间隔偏最小二乘法回归iPLS模型的交叉验证均方根误差RMSECV进行计算，计算公式为：
其中，RMSECVKi1为基于第Ki个间隔区间数据构建PLS模型的RMSECV，Ki1＝1,2,…,K1，Y1_PREi为第i个样本的预测值，Yi为第i个样本的实际值，N为样本数量；
将RMSECVKi的值作为荧光光谱波段筛选的评估指标，若RMSECVKi≤1.2则该间隔区间被选为荧光光谱的特征波段之一，若RMSECVKi＞1.2则该间隔区间不被选为荧光光谱的特征波段之一，得到K2个同等宽度间隔区间；
将这K2个间隔区间按照波长从小到大顺序排列即可得到荧光光谱的特征波段。
4.如权利要求1所述的一种荧光光谱特征波长筛选方法，其特征在于，所述目标函数计算公式为：
其中，RMSECVKi3为基于第Ki3个荧光光谱特征波长集合构建PLS模型的RMSECV，Ki3＝1,2,…,K3，Y1_PREi为第i个样本的预测值，Yi为第i个样本的实际值，N为样本数量。
5.如权利要求1所述的一种荧光光谱特征波长筛选方法，其特征在于，利用莱维Levy飞行更新所述荧光光谱特征波长集合的公式为：
其中，表示第ii个荧光光谱特征波长集合在第t+1次更新后的一个新解，/>表示第ii个荧光光谱特征波长集合在第t次迭代时的解，α表示步长比例因子，L(s,λ)表示莱维分布/>s为步长，λ表示游走能力，1＜λ≤3，Γ(λ)表示伽马函数/>
6.如权利要求1所述的一种荧光光谱特征波长筛选方法，其特征在于，荧光光谱特征波长集合随机更新的公式为：
其中，表示第ii个荧光光谱特征波长集合在第t+1次更新后的一个新解，/>表示第ii个荧光光谱特征波长集合在第t次迭代时的解，α表示步长比例因子，s为步长，ε为取自随机分布中的一个随机数，/>为点乘，/>表示海维赛德函数，/>和/>表示第ij和ik个荧光光谱特征波长集合在第t次迭代时的解，特别地，ij≠ik≠ii。
7.一种荧光光谱特征波长筛选装置，其特征在于，包括：光谱采集装置和上位机连接；
所述光谱采集装置，用于采集多个待测样本的原始荧光光谱数据；
所述上位机，包括：
标准正态变量变换处理模块，用于对采集到的多个样本的荧光光谱数据使用标准正态变量变换处理，得到光滑后的荧光光谱数据；
间隔偏最小二乘法模型模块，用于使用间隔偏最小二乘法回归模型的交叉验证均方根误差，对光滑后的荧光光谱进行波段筛选，得到荧光光谱的特征波段；
布谷鸟搜索算法模块，用于使用布谷鸟搜索算法从荧光光谱特征波段中筛选荧光光谱特征波长，包括：
从荧光光谱特征波段中随机初始化荧光光谱特征波长集合；
定义目标函数；
计算荧光光谱特征波长集合的目标函数值并进行比较，得到当前的最优函数值；
利用莱维Levy飞行更新最优荧光光谱特征波长集合以外的其他荧光光谱特征波长集合；
根据其他荧光光谱特征波长集合对应目标函数值与所述当前最优函数值的比较结果，更新当前最优值；
将生成的服从正态分布的随机数r∈(0,1)和特征波长淘汰概率pa＝0.25比较，更新部分荧光光谱特征波长集合；
根据随机更新后的荧光光谱特征波长集合对应的目标函数值和当前最优值的比较结果，确定最新的最优值；
判断是否满足迭代次数的终止条件；若满足终止迭代条件，迭代停止输出全局最优的荧光光谱特征波长集合。
8.一种荧光光谱特征波长筛选计算机设备，其特征在于，包括：储存器、处理器和存储在所述存储器内的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-3任一项所述的荧光光谱特征波长筛选方法的步骤。
9.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，用于执行权利要求1-3任一项所述的荧光光谱特征波长筛选方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110702318.4A CN113435115B (zh) | 2021-06-21 | 2021-06-21 | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 |
| ZA2021/05170A ZA202105170B (en) | 2021-06-21 | 2021-07-22 | Method, device and computer equipment for screening characteristic wavelength of fluorescence spectrum, as well as readable storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110702318.4A CN113435115B (zh) | 2021-06-21 | 2021-06-21 | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435115A CN113435115A (zh) | 2021-09-24 |
| CN113435115B true CN113435115B (zh) | 2024-01-19 |
Family
ID=77753811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110702318.4A Active CN113435115B (zh) | 2021-06-21 | 2021-06-21 | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113435115B (zh) |
| ZA (1) | ZA202105170B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992259B (zh) * | 2023-09-28 | 2023-12-08 | 奥谱天成（厦门）光电有限公司 | 适用于生物品质检测的光谱特征提取方法、检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
| CN107238587A (zh) * | 2017-05-09 | 2017-10-10 | 华南农业大学 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
| CN109299713A (zh) * | 2018-10-24 | 2019-02-01 | 中科院合肥技术创新工程院 | 高质量多光谱生物特征图像采集方法 |
| CN111398233A (zh) * | 2020-04-07 | 2020-07-10 | 安徽理工大学 | 一种红酒品质的激光光谱检测方法 |
| CN111466869A (zh) * | 2020-04-10 | 2020-07-31 | 中南大学湘雅二医院 | 一种近红外光无创测量人眼房水组分浓度的方法及系统 |
-
2021
- 2021-06-21 CN CN202110702318.4A patent/CN113435115B/zh active Active
- 2021-07-22 ZA ZA2021/05170A patent/ZA202105170B/en unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020129A (zh) * | 2014-05-16 | 2014-09-03 | 安徽农业大学 | 一种基于近红外光谱结合氨基酸分析技术的工夫红茶发酵质量的判别方法 |
| CN107238587A (zh) * | 2017-05-09 | 2017-10-10 | 华南农业大学 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
| CN109299713A (zh) * | 2018-10-24 | 2019-02-01 | 中科院合肥技术创新工程院 | 高质量多光谱生物特征图像采集方法 |
| CN111398233A (zh) * | 2020-04-07 | 2020-07-10 | 安徽理工大学 | 一种红酒品质的激光光谱检测方法 |
| CN111466869A (zh) * | 2020-04-10 | 2020-07-31 | 中南大学湘雅二医院 | 一种近红外光无创测量人眼房水组分浓度的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 周孟然 等.iPLS波段筛选方法在食用油品上快速检测研究.激光杂志.2020,第41卷(第7期),13-17. * |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202105170B (en) | 2021-09-29 |
| CN113435115A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6091493B2 (ja) | 試料に存在する成分を決定するための分光装置と分光法 | |
| JP6089345B2 (ja) | 時および／または空間系列ファイルの多成分回帰／多成分分析 | |
| US10718713B2 (en) | Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program | |
| CN108802002B (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
| CN113435115B (zh) | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 | |
| JP4315975B2 (ja) | ノイズ成分除去方法 | |
| CN107202784B (zh) | 一种水稻浸种催芽过程中工艺节点的检测方法 | |
| US9400868B2 (en) | Method computer program and system to analyze mass spectra | |
| CN109521437B (zh) | 面向植被生化参数探测的多光谱激光雷达波长选择方法 | |
| CN117589741B (zh) | 基于光学特征的吲哚菁绿智能检测方法 | |
| CN116026808A (zh) | 一种拉曼光谱判别方法和系统 | |
| US20220252516A1 (en) | Spectroscopic apparatus and methods for determining components present in a sample | |
| CN115598162A (zh) | 基于堆叠式模型的土壤重金属含量检测方法 | |
| JP2000338038A (ja) | スペクトルデータ処理方法 | |
| CN110579466B (zh) | 一种激光诱导击穿光谱筛选方法 | |
| JP7331058B2 (ja) | 測定装置、測定方法及び測定装置の制御プログラム | |
| CN111562226B (zh) | 基于吸收光谱特征峰面积的海水总氮总磷分析方法及系统 | |
| Wu et al. | Wheat Yield Estimation Study Using Hyperspectral Vegetation Indices | |
| CN116660207A (zh) | 一种油品快检中特征谱段确定方法和辛烷含量检测系统 | |
| JP2018136142A (ja) | 測定装置、測定方法及び測定装置の制御プログラム | |
| CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 | |
| CN117074333A (zh) | 基于紫外-可见光吸收光谱的cod软测量模型构建方法 | |
| CN117783083A (zh) | 基于机器学习的表面增强拉曼光谱铅离子定性检测方法 | |
| CN116933043A (zh) | 菊花产地的鉴别方法、模型的构建方法及电子设备 | |
| CN116413219A (zh) | 制备目标应用中的至少一种被测量对象的光谱确定的方法 |
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 |