转基因棉花品种识别方法
【技术领域】
[0001] 本发明涉及植物品种识别技术，具体涉及一种基于太赫兹时域光谱和DAPS0-SVM 的转基因棉花品种识别方法。
【背景技术】
[0002] 随着转基因技术的普及以及转基因产品的推广，转基因产品安全检测和安全评价 得到了广泛的重视。目前，检测转基因食品的分子鉴定手段是主要是PCR，虽然该方法有灵 敏度高的特点，但是该方法需要国际标准的转基因标准品进行检测，给转基因产品检测带 来不便，可见/远红外光谱在对转基因产品进行检测时会带来优化参数难以确定及光谱数 据计算量大的问题。故而，需要开发新的检测手段作为补充。
[0003] 太赫兹通常是指频率在0.ITz~ΙΟΤΗζ(波长在30um~3mm)之间的电磁波，其波 段在微波与红外光之间，属于远红外波段。理论研究表明，大量生物分子（DNA，蛋白质等） 的振动和转动能级正好处于THz的频带范围内，用THz时域光谱技术（THz-TDS)探测生物 样品能产生共振吸收峰，从而使利用太赫兹光谱识别生物样品将成为可能。目前近红外光 谱在转基因中的应用已经相当广泛，例如近红外光谱在转基因玉米检测识别中的应用，近 红外光谱技术在检测转基因油菜籽中芥酸和硫甙上的应用，利用可见/近红外光谱分析技 术鉴别转基因番茄叶等。然而在国内外，利用太赫兹鉴别转基因食品的应用几乎没有，所以 利用太赫兹光谱鉴别转基因食品具有重要的理论和现实意义。
【发明内容】
[0004] 因此，针对上述的问题，本发明提出一种基于太赫兹时域光谱和 DAPSO-SVM(DynamicAdaptiveParticleSwarmOptimizationandSupportVector Machine)的转基因棉花识别方法，精确快速的识别出转基因作物种子。
[0005] 为了解决上述技术问题，本发明采用以下技术方案。转基因棉花识别方法，其步骤 包括：
[0006] 步骤一：在波长150um~3mm(也即频率为0. 1ΤΗζ-2ΤΗζ)范围内，采集转基因棉花 种子样本的太赫兹光谱信息；
[0007] 步骤二：将所述转基因棉花种子样本的太赫兹光谱信息与动态自适应粒子群算法 结合，利用自适应动态粒子群算法优化和训练支持向量，并建立支持向量机（SVM，Support VectorMachine)的识别模型；然后利用建好的所述识别模型，对待测样品进行类别判定， 得到识别结果；
[0008] 所述类别判定是将待测物质的太赫兹光谱的特征信息跟所述识别模型的类别数 据库进行比对；
[0009] 所述支持向量机描述如下：
[0010]
?
[0011] 式中ω为惯性权重，ξ为松弛系数，γ为惩罚系数；
[0012] 所述支持向量机，其参数为采用自适应动态过程进行优化的基于动态自适应粒子 群优化。
[0013] 所述动态自适应粒子群优化的算法包括：加入感知能力，使粒子群获得感知外部 环境变化的能力；在感知到环境变化后，采用感知粒子和粒子速度的响应方式对粒子群进 行更新，以适应实际动态环境；且感知能力是通过自适应函数来实现，其公式如下：
[0014]
[0015] 其中，Plj(k)为粒子群算法第k次迭代过程中届部#优魅，为敕子群笪法 k次迭代后的局部最优解的最小值；，b=Pu(k)Xk
[0016] 所述采用感知粒子和粒子速度的响应方式对粒子群进行更新的机制是通过更新 初始化感知粒子和粒子速度对粒子群进行更新，更新的判别条件是当F>FT时，
[0017] 感知粒子更新公式为：Xi_j(t) =rand(M)Xxmax;
[0018] 粒子速度更新公式为：Vi_j(t) =rand(M)Xvmax;
[0019] 其中，rand(m)为m维向量，vmax为感知粒子最大速度，一般取vmax=x_;当F> FT，将当前更新的感知粒子和粒子速度，代入粒子群公式中，重新计算下一个感知粒子和粒 子速度。
[0020] 所述动态自适应粒子群优化的算法，其具体步骤如下：
[0021] 1)在可行域空间内，把粒子群分为叫均匀子空间；在每个子空间内，随机选择n2 个感知粒子进行初始化，共产生叫Xn2个感知粒子；
[0022] 2)初始化参数包括：惯性权重ω，松弛系数ξ，惩罚系数γ，学习因子Cl，c2，动态 响应触发阈值FT;
[0023] 惯性权重
[0024] 其中：学习因子分别为：(^= 1. 5、c2= 1. 7 ;
[0025]
[0026] 式中：γ为支持向量机的惩罚系数，为常数，需要用到动态自适应粒子群算法进 行优化获得；ξ为支持向量机松弛系数，当0 <ξ< 1时，支持向量机对样本进行正确分 类，当ξ>1时，支持向量机对样本停止进行分类；
[0027] 3)根据适应度函数计算每个感知粒子的适应度，计算局部最优和全局最优；其 中，适应度函数如下：
[0028]
[0029] 式中：Pl](k)为第k次迭代过程中局部最优解；Pl]*(k)为第k次迭代过程中的局 部最优解的最小值；b= (k)Xk;
[0030] 4)按下面两式迭代产生新感知粒子群，并计算适应度值：
[0031 ] VijCt+l) =ωVij (t)+c1rlj (t)(pjj(t)-Xjj(t))+c2r2j (t) (pgj (t)-Xjj(t))；
[0032] XijCt+l) =xij(t)+vij(t+l)；
[0033] 5)把新感知粒子群的适应度值同局部最优值进行比较，更新局部最优值；如果所 述适应度值优于所述局部最优值，则用所述适用度值取代所述局部最优值；
[0034] 所述局部最优值由个体局部最优值和群体局部最优值组成；
[0035] 6)计算并判断F，若F>FT，则按比例更新粒子群及粒子速度，转步骤3)，当满足 结束条件时，则结束算法。
[0036] 所述动态自适应粒子群优化的算法，其内容是：利用粒子感知外部环境的变化，将 可行域空间分为&个均匀的子空间，在每个子空间内随机抽取η2个粒子作为感知粒子进行 初始化，在迭代过程中计算感知粒子的适应度^，并比较相邻2次迭代的适应度差值Δf， 然后对所适应度差值求和F，公式如下：
[0037] Afj=f^k+D-f^k)；
[0038]
[0039] 在上式中，如果F辛0,则表明外部环境已发生变化，此时应设定一个响应阈值FT， 当F>FT时触发响应，更新机制为按一定方式重新初始化感知粒子和粒子速度，描述如下：
[0040]
[0041] 其中，rand(M)为Μ维向量；V⑴=[Vu，Vl2，…，VinJ，X(i) = [Xu，Xl2，…，XJ表 示从粒子群中选出的重新进行初始化的第i个感知粒子，m表示维数；Vmax为感知粒子最大 速度，一般取￥_=父咖。
[0042] 所述支持向量机（DAPS0-SVM)的算法，包括如下内容：
[0043] 1)获取的样品的太赫兹光谱数据，把所有样品的太赫兹光谱数据分成η份，将其 中k份用来作为训练数据；
[0044] 2)读取训练样本的太赫兹数据，随机产生一组{γ，〇 }，即Xl]⑴的空间坐标值， 作为粒子的初始位置，训练支持向量机；其中，
[0045]
[0046] 式中：Pl](k)为粒子群算法第k次迭代过程中局部最优解，Pl]*(k)为粒子群算法 k次迭代后的局部最优解的最小值；b= (k)Xk
[0047] 3)根据粒子的初始化位置，计算粒子的适应值，如果粒子适应值优于个体极值 P,⑴，则Pl]⑴被粒子的适应值仁(k)取代；如果粒子适应度优于全局极值pg] (t)，pg]⑴ 被粒子的适应值fi(k)取代；其中pg_j(t)是全局极值，pw(t)iminfeidt)};
[0048] 4)根据公式⑴和（2)，利用步骤3)得到的Pl]⑴和pg]⑴来更新粒子速度和位 置；
[0049] VijCt+l) =ωVij (t)+c1rlj (t)(pjj(t)-Xjj(t))+c2r2j (t) (pgj (t)-Xjj(t)) ； (1)
[0050] XijCt+l) =xij(t)+vij(t+l) ； (2)
[0051] 5)根据粒子适应值不同采取自适应动态调整策略，按照惯性权重公式调整惯性 权重，转向步