融合BPSO最优粒子和被选概率特征有用光谱的选择.docVIP

融合BPSO最优粒子和被选概率特征有用光谱的选择 　　摘要：为提高基于红外光谱（NIR）对烟叶分级的效率，提出融合BPSO最优粒子和被选概率特征对烟叶的NIR进行有用特征光谱的选择。基于该方法选择的有用NIR特征光谱，对2012年642片（13个等级）烟叶进行分级，试验结果表明，通过合适的被选概率值可以得到数目相对少的用于烟叶自动分级的特征光谱组合，若与最佳粒子融合可以得到更好的分级吻合率。利用选择后的特征光谱不仅可以提高分级速度，还可以适当提高分级正确率。 　　关键词：近红外光谱；BPSO；被选概率；支持向量机 　　中图分类号：TN219 文献标识码：A 文章编号：0439-8114（2016）01-0205-03 　　DOI：10.14088/j.cnki.issn0439-8114.2016.01.054 　　物质的光谱特征不仅可以反映物质的成分组成和含量，还可以反映物质的结构。通过分析烟叶成分可知，近红外光谱能够在一定程度上反映烟叶主要特性，很多学者基于烟叶近红外光谱数据对烟叶的化学成分和含量进行确定分析[1-3]，表明近红外光谱可以表征烟叶特性。张建平等[4]、束茹欣等[5]利用近红外光谱实现对烟叶产地和部位的识别；章英等[6]依据近红外光谱数据用最近邻判别分析方法实现烟叶的自动分组；其他研究人员[7-10]利用近红外光谱对郑州地区的烟叶进行了自动分级研究。 　　已有的研究表明，近红外光谱可以用来对烟叶进行自动分级，但是在这些等间隔采集的光谱数据中并不是所有的光谱对于分级都有好的影响，而且光谱数据间具有极大的相关性，这不仅影响了烟叶的分级吻合率，更严重影响了烟叶的分级速度。用于收购阶段的烟叶自动分级不仅需要有高的分级识别率，还需要速度快，以便快速实时地对每片烟叶进行无损等级识别。因此有必要对原始的光谱数据进行有用特征光谱筛选，以减少数据的采集时间和分级模型的计算复杂度。赵海东等[8]提出利用聚类思想对光谱进行有用选择，结果表明对光谱的选择很有必要。为提高基于红外光谱识别烟叶等级的效率，本文提出基于BPSO（Binary Particle Swarm Optimization，二进制粒子群）的特征被选概率方法对光谱数据进行特征筛选，对2012年642片13个等级的烟叶进行了分级识别，并利用BPSO的特征被选概率对原始数据进行光谱选择，结果表明，基于BPSO的被选概率可有效选择出有用的特征光谱，减少光谱采集维数，不仅提高了分级速度，还可以适当提高分级正确率。 　　1.2 BPSO的最佳粒子和特征被选概率 　　BPSO运用于烟叶的光谱特征选择时，每一个粒子对应一种光谱的特征组合。对光谱进行特征选择时，粒子的每一维对应一个波长，粒子的某一维取值为1时表示这个光谱的特征被选中在特征集中，取值为0表示这一维特征没有被选中。因此可根据粒子的值确定对应的特征光谱，作为分类器的输入模式，分级网络输出的分类准确率作为评价该粒子优劣的适应度函数。每个粒子对应一个适应度值，在所有的粒子中选择适应度值最大的粒子作为最佳粒子，所对应的光谱组合称为最佳特征光谱。 　　分析BPSO的进化过程，可知BPSO粒子的进化是朝着引起高正确分级率的方向进行的，所以在具有高适应度的粒子中选择比较大的特征概率属于对分级影响大的特征进行选择。统计高适应度粒子中各个特征被选择的次数，由此得到每个特征的被选概率。显然选择合适的被选概率，可以保证得到一定正确分级率的数目相对较少的特征光谱。 　　1.3 有用特征光谱选择 　　实际上由上述得到的最佳特征光谱仅仅是T×β个粒子中的最佳粒子，其中T为粒子进化次数，而由α空间构成的粒子数远远大于T×β，所以这样得到的最佳特征光谱只是一个局部的最佳。 　　被选概率高的光谱可能有更高的概率对分级影响大，但不一定包括了所有对分级影响大的光谱，如果联合考虑BPSO的最佳粒子和每个光谱的被选概率，融合这两个所选择的特征光谱，形成最终的用于分级的有用特征光谱有可能使得分级正确率得以提高。 　　3 小结 　　本文通过采用BPSO对粒子进行更新迭代后，选择保留其中对分级影响好的特征，然后统计这些被选粒子中每个特征的被选概率，通过统计发现当被选概率为60%时，其分级的效果和最优选择的效果很接近，表明通过统计粒子中每个特征的被选概率的方法是可行的；然后把特征被选概率60%的特征和最优选择的特征进行对比，把最优选择中有但被选概率中没有的特征和被选概率特征进行结合发现，最优选择的这些特征可以弥补被选概率中的缺陷，进一步提高烟叶分级的效果。文中用到的光谱数据维数过高，难免在BPSO搜索的过程中时间稍长，如果能在BPSO选择前进行维数的选择来加快后面的速度更好，这样能够在烟叶收购的过程中实现实时有效的处理，还需要进一步的