骤3);惯性权重公式
其中cJPc2为学习因子，
1#口η2定义如下：在可行域空间内，把粒子群分为η匀子空 间，在每个子空间内随机选择112个感知粒子进行初始化，共产生niXη2个感知粒子；
[0052] 6)判断支持向量机训练误差是否为0,如果为0,则转向步骤8)，否则执行步骤 7)；
[0053] 7)根据粒子适应值的采取动态自适应调整策略，按照公式
U周整惯性权重，转向步骤2);
[0054] 8)寻优过程结束，输出最优{γ，σ};
[0055] 9)根据输出的最优{γ，〇 }，建立支持向量机识别模型。
[0056] 所述学习因子(^= 1. 5、c2= 1. 7。
[0057]上述步骤中，步骤一采集待测物质的太赫兹光谱，步骤二结合步骤一的太赫兹光 谱和动态自适应粒子群算法，优化支持向量机来建立样品的识别模型，进而建立识别模型 的类别数据库，在具体进行识别时，将待测物质的太赫兹光谱的特征信息跟识别模型的类 别数据库进行比对，即可获知该待测物质属于哪一类，获得识别结果。上述过程简单易行， 具有很好的可行性。
[0058] 其中，支持向量机实现的基本思想是在初始阶段选择一个非线性变换方法，将输 入向量由低维非线性样本空间映射到高维或无穷维，使样本空间的非线性分类转化为线性 分类，并基于结构风险最小化，在特征空间中寻找最优超平面，解决线性分类问题。支持向 量机描述如下：
[0059]
[0060] 式中ω为惯性权重，ξ为松弛系数，γ为惩罚系数。
[0061] 其中，支持向量机大量应用于目前基于可见光/近红外光谱的转基因产品检测， 其检测过程中，经常遇到支持向量机建模中参数难以确定及光谱数据计算量过大的问题。 本发明为解决该问题，对支持向量机进行改进，对现有的支持向量机的参数采用一个自适 应动态过程进行优化，实现一种基于动态自适应粒子群优化的支持向量机（DAPS0-SVM)，也 即，本发明的步骤二的支持向量机，是基于动态自适应粒子群优化的支持向量机，下面具体 介绍该基于动态自适应粒子群优化的支持向量机。
[0062] 粒子群优化算法是由Eberhart博士和Kennedy博士于1995年提出的一种进化计 算技术。源于对鸟群捕食行为的研究。其基本思想是通过群体中个体之间的信息传递及信 息共享来寻找最优解。其经典算法如下所示：
[0063] VijCt+l) =ωVij (t)+c1rlj (t)(pjj(t)-Xjj(t))+c2r2j (t) (pgj (t)-Xjj(t)) ； (1)
[0064] XijCt+l) =xij(t)+vij(t+l) ； (2)
[0065] 式中i= 1，2, "·，Μ，M是该群体中粒子的总数，i表示第几个粒子；j表示微粒的 第j维，即算法所优化的第j个参数；ω为惯性权重因子，其值为负，值的大小影响整体寻 优能力；t表示此时优化的代数；Vu(t)表示t时刻粒子i在j维的空间速度；(^和c2为加 速因子，通常在0-2间取值；Γι]和r2]为[0,1]之间变化的两个相对独立的随机数；p^⑴ 为粒子i的历史最好解（个体最优）的j维值，即单个粒子i在所优化的第j个参数中的 历史最好解；pg.j(t) =min{ρυ(t)}为所有粒子在t时刻的历史最好解（群体最优）的j维 值，即所有粒子在所优化的第j个参数中的历史最优解；X, (t)为t时刻粒子i在j维空间 位置。
[0066] 粒子群优化算法是通过粒子跟踪自身记忆的个体最优向种群记忆的全局最优靠 近以逐渐逼近更优位置。但在动态环境下，记忆的个体最优位置和全局最优位置对应的适 应度值是变化，粒子重新将再次对先前环境进行寻优，算法将可能陷入死循环。因此，普通 的粒子群优化算法难以在实际环境下有效逼近最优位置。为了在动态环境下取得最优解， 本发明对粒子群算法进行了改进，形成了一种新的优化算法一动态自适应粒子群优化算 法。
[0067] 动态自适应粒子群优化的算法，其改进内容包括：（1)加入感知能力，使粒子群获 得感知外部环境变化的能力；（2)引入更新机制，在感知到环境变化后，采用某种响应方式 对粒子群进行更新，以适应实际动态环境。其中，感知能力是通过自适应函数来实现的，自 适应函数的公式如下：
[0068]
[0069] 其中，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=Ρυ(k)Xk，
[0070] 更新机制是通过更新初始化感知粒子和粒子速度，更新的判别条件是当F>FT 时，
[0071] 感知粒子更新公式为：Xi_j(t)=rand(M)Xxmax
[0072] 粒子速度更新公式为：ν^ (t) =rand(M)Xvmax
[0073] 其中，rand(m)为m维向量，vmax为感知粒子最大速度，一般取vmax=xmax。当F> FT，将当前更新的感知粒子和粒子速度，然后代入经典的粒子群公式中重新计算下一个感 知粒子和粒子速度。
[0074] 基于动态自适应粒子群优化的支持向量机，与普通的支持向量机比起来，其迭代 较少的次数即可达到最优解。
[0075] 本发明通过采用太赫兹光谱检测，结合基于动态自适应粒子群优化的支持向量机 (DAPS0-SVM)，建立了转基因棉种子的识别模型。该模型对转基因棉种子类别的识别率达 97. 3%，为定性分析模型在实际样品检测中的应用奠定了基础。该方法为转基因产品的检 测提供了一种精确、快速、简便、无损的方法。
【附图说明】
[0076] 图1为三种转基因棉种子及参考信号THz时域光谱图；
[0077] 图2为三种转基因棉种子及参考信号THz频域光谱图；
[0078] 图3为三种转基因棉种子THz吸收峰光谱图；
[0079] 图4为PS0-SVM与DAPS0-SVM迭代次数与适应度值关系曲线；
[0080] 图5为PS0-SVM方法对三种样品的识别结果对比；
[0081 ] 图6为DAPS0-SVM方法对三种样品的识别结果对比。
【具体实施方式】
[0082] 现结合附图和【具体实施方式】对本发明进一步说明。参见图1至图6。
[0083] 为了验证并说明本发明的
【发明内容】
，使用太赫兹光谱检测系统对165个转基因棉 种子样本进行光谱扫描，并采用基于动态自适应粒子群优化的支持向量机分类对得到的数 据进行建模，实现了转基因棉种子种类的识别，取得了良好的效果，结果令人满意。本发明 提供的方法具有精确、快速、简便、无损等优点，对实际生活中的转基因棉种子检测有较高 的指导意义和应用价值。
[0084] 本发明针对目前转基因产品检测是基于可见光/近红外光谱，在支持向量机建模 中参数难以确定及光谱数据计算量过大的问题，提出了一种基于太赫兹时域光谱和动态自 适应粒子群优化的支持向量机算法，用于建立对转基因棉种子品种的分类判别。本发明的 思路是，为实现转基因棉种子的分类识别，在波长150um-3mm范围内采集三种最新转基因 棉种子165个样本的太赫兹光谱。并用基于动态自适应粒子群优化的支持向量机对165个 转基因棉种子进行识别。实验结果表明，综合识别率达到97. 3%，太赫兹光谱结合动态自 适应粒子群支持向量机可为转基因棉种子类型辨别提供一种精确、快速、简便、无损检测方 法。
[0085] 下面结合转基因棉种子的检测，来介绍本发明。
[0086] -、实验部分
[0087] 1. 1实验样品
[0088] 选取不同种类的转基因棉种子（本实施例中，选取的陆中6号、鑫秋k638、鲁棉研 36号，均购于中国农业科学生物技术研究所）。分别将每种转基因棉种子制作成55个片 剂，3种转基因棉种子产生165个样品，将165个转基因棉种子样品分为两组，第一组90个 样品作为训练集用于自适应粒子群支持向量机建模校正；第二组75个样品作为预测集用 于待判样品的预测，并保证3类转基因在训练集和预测集中都存在。
[0089] 1. 2实验仪器及方法
[0090] 本发明所用的THz-TDS系统为Z3透射式太赫兹时域光谱系统。激光器的中心波 长为800nm，为保证实验的准确性，系统内注入氮气直至内部相对湿度达到0. 2 %以下。室 内相对湿度为25%，恒温292K。
[0091] 将不同种类转基因棉种子分别去壳，烘干后碾压成粉末，然后用压片机对转基因 棉种子粉末进行压片，制作165个待测样品。