基于改进粒子群算法的热红外高光谱特征波段选择方法及系统

技术领域

本发明属于计算机及信息服务技术，特别涉及一种基于改进粒子群算法的热红外高光谱特征波段选择方法及系统。

背景技术

物质的发射率在很大程度上是其内在结构的反映，这一性质为估计盐矿的种类和含量提供了一种可能性。为了获取物质的发射率波谱，通常会使用热红外高光谱成像仪和非成像仪。然而，通过这种方式得到的高光谱发射率谱波段数目过于庞大，导致信息冗余严重。这种冗余会导致一些特征峰在波谱中消失，而且在实际生产中，受时间和成本等因素限制，数据采集设备往往只能获取有限数量的波段区间(通常为5-10个)。

为了解决这一问题，有必要挖掘发射率谱中特定物质的特征波段，从而实现更准确的含量分析。目前已有多种波段选择方法，这些方法可以被归类为不同的类型，如基于排名的方法、基于搜索的方法、基于聚类的方法、基于稀疏性的方法、基于嵌入学习的方法。

然而，目前存在的波段选择方法普遍存在一些限制。一方面，可能需要大量的数据来支持模型的训练，这在多数实际情况下可能无法满足数据需求。另一方面，一些方法需要进行大量的迭代次数，如遗传算法。此外，很多方法得到的结果也可能不够稳定，多次运行可能会得到差异很大的输出结果，从而需要进行人工调参数来达到可接受的准确度。

发明内容

本发明是为了克服现有技术的不足，提出改进的粒子群算法用于波段选择。本方法基于传统的粒子群算法提出一种改进的粒子群算法，改进的方法引入自适应参数调节机制，能够根据每一轮迭代的结果自适应调整每次迭代的参数，防止陷入局部最优解。

基于上述问题，本发明采用如下技术方案：

一种基于改进粒子群算法的热红外高光谱特征波段选择方法，包括以下步骤：

步骤1，制备混盐矿样品，并采集混盐矿样品的高光谱发射率波谱，测量所述混盐矿样品中多种混盐矿物质各自的质量含量百分比，作为用于选择特征波段和进行含量预测模型构建的数据集；

步骤2，将步骤1中的数据集作为输入，基于改进的粒子群算法建立混盐矿中各物质特征波段组合及对应含量预测的预测模型；

步骤3，基于所述步骤2中的预测模型，对未知混盐矿中各物质特征波段组合及对应含量进行预测，采集该混盐矿物质含量百分比并进行结果验证。

进一步地，所述步骤1中数据集获取，混盐矿样本的制备和含量的测量均在实验室完成，使用Telops生产的Hyper-Cam高光谱成像仪，用于拍摄多组样品的高光谱图像，然后使用了迭代光谱平滑温度-发射率分离算法ISSTES得到样品的发射率谱。

进一步地，所述步骤1中通过对X射线衍射分析和化学滴定和原子吸收光谱的综合分析方法得到混盐矿物质的各自含量百分比。

进一步地，所述改进的粒子群算法具体为：

将数据集作为改进的粒子群算法的输入，具体地，首先，随机生成一定数量S的粒子作为初始群体，并为每个粒子随机初始化一个速度，每个粒子代表一种可能的发射率波段组合，每个组合的每个数值对应一个波段，波段组合的大小，即特征波段数目是作为输入参数提前设置的，这些粒子的初始位置在波段组合空间中随机分布；对于每个粒子，计算其适应度值，使用偏最小二乘法PLSR回归预测得到结果与步骤1中真实含量的RMSE值倒数作为适应度函数，在每轮迭代中，个体都可以根据适应度函数得到自己的适应值。

进一步地，为使个体可以自适应迭代，设定以下3个指标：

s

s

s

其中，s

进一步地，

其中

进一步地，指标s

其中，

另一方面，本发明还提供一种基于改进的粒子群算法对热红外高光谱进行特征波段选择系统，包括:

数据集收集模块，制备混盐矿样品，并采集混盐矿样品的高光谱发射率波谱，测量所述混盐矿样品中多种混盐矿物质各自的质量含量百分比，作为用于选择特征波段和进行含量预测的数据集；

预测模型构建模块，将步骤1中的数据集作为输入，基于改进的粒子群算法建立混盐矿中各物质特征波段组合及对应含量预测的预测模型；

预测模块，基于预测模型构建模块中的预测模型，对未知混盐矿中各物质特征波段组合及对应含量进行预测，采集该混盐矿物质含量百分比并进行结果验证。

与现有技术相比，本发明具有如下有益效果：

(a)算法可以通过自适应策略调整参数，避免了复杂的人工调参；

(b)算法设定的3个新的评价指标，可以防止算法陷入局部最优解，增强了全局搜索能力；

(c)为热红外高光谱的特征波段选择任务提供了优秀的解决方案。

附图说明

图1为本发明中改进的粒子群算法的工作流程。

图2为本发明中数据的采集和处理过程。

图3为本发明中部分样品的高光谱发射率波谱图。

图4为本发明中改进的粒子群算法在选取到不同长短的特征波段组合后得到预测结果。

图5为本发明中改进的粒子群算法与其他波段选择算法在预测结果稳定性上的比较结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本发明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。

实施例1

步骤1，采集混盐矿样品的高光谱发射率波谱，并通过对X射线衍射分析(XRD)和化学滴定和原子吸收光谱(ASS)的综合分析方法得到混盐矿物质(例如，混钾盐矿中包含软钾镁矾、氯化钾、硫酸镁、氯化钠)的各自含量百分比，作为用于选择特征波段和进行含量预测的数据集，即多组混盐矿样品的高光谱发射率波谱以及其所包含物质的各自含量百分比；

步骤2，将步骤1中的数据集作为改进的粒子群算法的输入，设置待获取的特征波段数目、种群大小S和最大迭代次数N，无需设置其他参数，经过算法N轮迭代处理后输出混盐矿中各物质的特征波段组合及对应含量预测的结果。

进一步的，步骤1中混盐矿样本的制备和含量的测量均在实验室完成，使用Telops生产的Hyper-Cam高光谱成像仪，用于拍摄多组样品的高光谱图像，然后使用了迭代光谱平滑温度-发射率分离算法ISSTES得到样品的发射率谱，这一过程见图2；图3展示了部分样品的发射率波谱。

进一步的，步骤2中，将数据集作为改进的粒子群算法的输入，算法流程图见图1，具体地，首先，算法随机生成一定数量S的粒子作为初始群体，并为每个粒子随机初始化一个速度，每个粒子代表一种可能的发射率波段组合，每个组合的每个数值对应一个波段，波段组合的大小，即特征波段数目是作为输入参数提前设置的。这些粒子的初始位置在波段组合空间中随机分布；对于每个粒子，计算其适应度值，本算法中使用偏最小二乘法PLSR回归预测得到结果与步骤1中真实含量的RMSE值倒数作为适应度函数。在每轮迭代中，个体都可以根据适应度函数得到自己的适应值。为使个体可以自适应迭代，首先定义一下3个指标：

s

s

s

其中，score为适应度，score越大意味着当前个体的波段组合越好，任何粒子在任何时候都可以获得它的当前得分score

其中

其中，

为验证本文提出的算法的稳定性，即在相同的参数设置下，预测结果保持较小的波动，例如，对于测试的混钾盐，通过统一设置波段组合长度为10，迭代次数100，种群数200，进行多次独立重复实验预测软钾镁矾的含量百分比，计算预测结果的标准差，改进的粒子群算法与其他波段选择算法在预测结果稳定性上的比较结果如图5所示。

本文中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施示例做各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

实施例2

提供一种基于改进的粒子群算法对热红外高光谱进行特征波段选择系统，包括:

数据集收集模块，制备混盐矿样品，并采集混盐矿样品的高光谱发射率波谱，测量所述混盐矿样品中多种混盐矿物质各自的质量含量百分比，作为用于选择特征波段和进行含量预测的数据集；

预测模型构建模块，将步骤1中的数据集作为输入，基于改进的粒子群算法建立混盐矿中各物质特征波段组合及对应含量预测的预测模型；

预测模块，采集未知混盐矿物质含量百分比的混盐矿，基于所述步骤2中的预测模型，对混盐矿中各物质特征波段组合及对应含量进行预测。

显然，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实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其同等技术的范围之类，则本发明也意图包含这些改动和变型在内。

其它未详细说明的部分均为现有技术。