一种基于混合模拟退火与遗传算法的面粉质量检测方法与流程

本发明涉及食品质检、神经网络、模型优化领域，具体涉及一种基于混合模拟退火与遗传算法的面粉质量检测方法。

背景技术：

面粉是我国最主要的主食之一，面粉精度直接影响了面制品的色泽和口感等，其质量的好坏直接关系到消费者的身心健康。现有的面粉质量检测因光谱信号中过多的干扰因素导致模型的准确性和稳健度下降，且模型复杂，计算量较大，面粉特征寻优灵活性较差，检测误差大，实际应用效果不理想，不能满足实际检验工作的要求，影响企业经济效益和消费者的身心健康。

技术实现要素：

为解决上述问题，本发明的目的在于提供一种具有较好的鲁棒性和稳健性的面粉质量检测方法，通过光谱预处理去除光谱噪声，降低模型复杂度，提高运算效率，遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，利用径向基神经网络提高面粉质量检测的准确度，实现无损检测。

本发明解决其问题所采用的技术方案，包括以下步骤：

a.通过红外光谱仪扫描面粉，获得光谱信息，对面粉光谱进行标准正态变量变换消除固体颗粒和表面散射；

b.利用遗传算法全局搜索最优的光谱信号特征，并用模拟退火算法寻找遗传算法中的最优个体，实现全局搜索与局部搜索相结合；

c.对特征矢量进行预处理，通过径向基神经网络构造分类器，对处理后的特征矢量进行分类，完成面粉质量检测。

本发明的有益效果是：

在面粉质量检测越来越重要的情况下，本发明具有较好的鲁棒性和稳健性，通过光谱预处理去除光谱噪声，降低模型复杂度，提高运算效率，遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，利用径向基神经网络提高面粉质量检测的准确度，实现无损检测。

附图说明

图1为一种基于混合模拟退火与遗传算法的面粉质量检测方法的整体流程图；

图2为采用本方法的面粉光谱样例图；

图3为光谱信号特征提取流程图。

具体实施方式

参照图1，本发明所述的方法包括以下步骤：

a.通过红外光谱仪扫描面粉，获得光谱信息，对面粉光谱进行标准正态变量变换消除固体颗粒和表面散射；

(1)利用红外光谱仪通过漫反射的方式扫描面粉，获取其光谱信息xi(i＝1,2,…,n)，n是面粉样品数量，如图2所示。采集的红外光谱有许多高频噪声、颗粒和光散射等噪声，干扰红外光谱与面粉内有效成分含量间的关系，因此，需要对原始光谱进行预处理。对面粉光谱xi进行标准正态变量变换消除固体颗粒并校正因表面散射而引起的光谱差异：

其中，面粉样品光谱的平均值，j＝1,2,…,m是光谱波长点数。

(2)对光谱信号进行小波变换：

wt(x)＝f(x)*w(x)

其中，f(x)是光谱信号函数值，w(x)是小波基函数。得到一系列小波系数：

wg(x)＝wf(x)+wε(x)

其中，wg(x)为含有噪声的小波系数，wf(x)为不含噪声的小波系数，wε(x)为噪声的小波系数。设立阈值θ，对小波系数进行阈值处理，去除小于阈值的小波系数，从而得到处理后的小波系数，进行小波逆变换，重构信号：

其中，w为处理后的小波系数，k是变换系数。从而得到去噪后的面粉光谱信号。

b.利用遗传算法全局搜索最优的光谱信号特征，并用模拟退火算法寻找遗传算法中的最优个体，实现全局搜索与局部搜索相结合；

(1)以面粉光谱信号的均方根误差作为目标函数：

其中，xi是变量，即最优光谱信号值。将变量进行实数编码，染色体代表光谱信号，基因表示波长，在解空间随机生成，整个遗传空间为问题空间，染色体空间为解空间。随机选取光谱信号值为初始值，确定种群大小n，形成初始种群，构造染色体vi(i＝1,2,…,n)的适应度函数：

其中，δ是惩罚因子。

(2)对种群进行遗传操作，随机选取个体两两交叉，并以概率p进行个体变异，形成新种群后，选取适应度最大的个体，并对每个基因进行模拟退火操作。模拟退火时，先确定初始温度，将初始基因作为模拟退火的初始状态，将内能e模拟为目标函数值f，温度t演化成控制参数t，模拟退火算法由控制参数t决定：

t＝tcⁿ

其中，c是降温系数，n是降温次数温度越低迭代次数越多，从而使退火过程中低温粒子更易被接受。

(3)根据metropolis准则，粒子在温度t时趋于平衡的概率为：

p＝e^-δe/(kt)

其中e为温度t时的内能，δe为其改变量，k为玻尔兹曼常数。逐渐减小控制参数，重复迭代。设置记忆器，用于记忆迭代过程中的最优解和最优目标函数值，防止问题具有多个极值时，算法难以保证最优解为整个搜索过程中曾经得到的最优解。解经过大量迭代变换后，若平衡概率p充分逼近平衡阈值ε，则模拟退火算法达到平衡，从而得到给定控制参数t时优化问题的相对最优解，即为优选的基因。将退火算法得到的基因返回给整个种群，代替种群中适应度最小的染色体，重复迭代，直至达到提前设定的迭代次数。选取适应度最大的染色体作为目标优化后的解，从而得到最优光谱信号特征。

c.对特征矢量进行预处理，通过径向基神经网络构造分类器，对处理后的特征矢量进行分类，完成面粉质量检测。

(1)对特征矢量xi(i＝1,2,…,n)进行白化处理：

其中，n是特征数量，是特征矢量均值，t是转置矩阵。引入协方差矩阵关于本征值λi和本征矢量μi的方程：

hμi＝λiμi

经过线性变换后的特征矢量为：

其中，diag是矩阵对角线，d是特征矢量的维数。特征矢量经过处理后输入到分类器中进行识别。

(2)构造分类器，系统的条件概率分布为：

其中，x、y分布是输入矢量和输出矢量，θ为参数，m是特征数量，p(j)是权重参数。光谱信号特征的高斯分布为：

其中，gj是径向基神经网络的基函数，是高斯方差。神经网络的误差函数为：

是对参数进行最大化似然估计，输入特征样本，估计分类器的参数θ和p(j)，建立分类器，径向基神经网络的期望输出为：

从而对光谱信号进行识别，根据分类检测出面粉的质量等级。

综上所述，便完成了本发明所述的一种基于混合模拟退火与遗传算法的面粉质量检测方法。该方法具有较好的鲁棒性和稳健性，通过光谱预处理去除光谱噪声，降低模型复杂度，提高运算效率，遗传算法与模拟退火算法相结合，增强模型的全局和局部寻优能力，利用径向基神经网络提高面粉质量检测的准确度，实现无损检测。