结果，图5和图6分别给 出了两种方法对三种类别的样品的识别结果二维图，从图中可以看出，PS0-SVM方法中三种 类别的样品都出现了不同程度的误判，而DAPS0-SVM方法只对鲁棉研36号出现少量误判， 对其他两种类别的样品（鑫秋k638号、新陆中6号）识别率达到了 100%，由此可以得出本 文提出的方法能够有效对转基因样品进行鉴别。
[0145] 四、结论
[0146] 通过太赫兹时域光谱检测，结合DAPS0-SVM，建立了转基因棉种子品种的识别模 型。结果表明，该模型对转基因棉种子总的识别率达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，对实际生活中出现的转基因产品检测有一定的指导意义。
[0147] 尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明 白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对 本发明做出各种变化，均为本发明的保护范围。
【主权项】
1. 转基因棉花识别方法，其特征在于，其步骤包括： 步骤一：在波长150um~3mm范围内，采集转基因棉花种子样本的太赫兹光谱信息； 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； 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； 所述支持向量机描述如下：式中CO为惯性权重，C为松弛系数，丫为惩罚系数； 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。2. 根据权利要求1所述的转基因棉花识别方法，其特征在于，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，W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：其中，Pu化）为粒子群算法第k次迭代过程中局部最优解，Pi,*化）为粒子群算法k次 迭代后的局部最优解的最小值3. 根据权利要求2所述的转基因棉花识别方法，其特征在于，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， 感知粒子更新公式为：Xy(t) =rand(M)Xxm。、； 粒子速度更新公式为：Vy(t) =rand(M)Xvm。、； 其中，rand(m)为m维向量，Vm。、为感知粒子最大速度，一般取Vm。、=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。4. 根据权利要求1所述的转基因棉花识别方法，其特征在于，所述动态自适应粒子群 优化的算法，其具体步骤如下： 1) 在可行域空间内，把粒子群分为ni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niXri2个感知粒子； 2) 初始化参数包括：惯性权重《，松弛系数C，惩罚系数丫，学习因子Cl,C2,动态响应 触发阔值Ft; 惯性权重其中：学习因子分别为：Ci= 1.5、C2= 1.7;式中：T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a为支持向量机松弛系数，当O《C《1时，支持向量机对样本进行正确分类，当 写> 1时，支持向量机对样本停止进行分类； 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：式中：Pi,似为第k次迭代过程中局部最优解；Pu*似为第k次迭代过程中的局部最 优解的最小值：4) 按下面两式迭代产生新感知粒子群，并计算适应度值： Vij(t+1) =OVij(t)+Cirij(t)(Pij(t)-Xij(t))+C2r2j(t) (p^j(t)-x；j(t))； Xij(t+1) =Xij(t)+Vij(t+1)； 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； 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； 6) 计算并判断F，若F>Ft,则按比例更新粒子群及粒子速度，转步骤扣，当满足结束 条件时，则结束算法。5.根据权利要求1所述的转基因棉花识别方法，其特征在于，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ni个均匀的子空 间，在每个子空间内随机抽取ri2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fi，并比较相邻2次迭代的适应度差值Af，然后对所适应度差值求和F，公式 如下： Afi=fi化+l)-fi化）； 八二(" = "r":) i=l. . ? 在上式中，如果F声0,则表明外部环境已发生变化，此时应设定一个响应阔值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： ]>(/) = ifh>I\then< ' |'Y(/) =r。化/(M)X乂. 其中，rand(M)为M维向量；V(i) = [Vii，Vi2,…，VJ，Xa)=技…X。，…，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；Vm。、为感知粒子最大速度， 一般取Vmax=Xmax。6.根据权利要求1所述的转基因棉花识别方法，其特征在于，所述支持向量机的算法， 包括如下内容： 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n份，将其中k份 用来作为训练数据； 。读取训练样本的太赫兹数据，随机产生一组{ 丫，O}，即X。(t)的空间坐标值，作为 粒子的初始位置，训练支持向量机；其中，式中：Pu化）为粒子群算法第k次迭代过程中局部最优解，Pu*化）为粒子群算法k次 迭代后的局部最优解的最小值；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Pu(t)， 则Pi, (t)被粒子的适应值似取代；如果粒子适应度优于全局极值Pg, (t)，Pg, (t)被粒子 的适应值fi似取代；其中P("(t)是全局极值，Pg^t) =min{py(t)}; 4) 根据公式（1)和（2)，利用步骤扣得到的Pi,(t)和Pg,(t)来更新粒子速度和位置； Vij(t+1) =OVij(t)+Cirij(t)(Pij(t)-Xij(t))+C2r2j(t) (p^j(t)-x；j(t)) ； (I) Xij(t+1) =Xij(t)+Vij(t+1)； 似 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，转向步骤3);惯性权重公式：其中Cl和C2为学习因子，;rii和n2定义如下：在可行域空间内，把粒子群分为n1均匀子空 间，在每个子空间内随机选择ri2个感知粒子进行初始化，共产生n1Xri2个感知粒子； 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); 7)根据粒子适应值的采取动态自适应调整策略，按照公式调整惯性权重，转向步骤2); 8) 寻优过程结束，输出最优{ 丫，曰}; 9)根据输出的最优{ 丫，O}，建立支持向量机识别模型。7.根据权利要求6所述的转基因棉花识别方法，其特征在于，所述学习因子C1= 1. 5、 〇2= 1. 7〇
【专利摘要】本发明公开了一种转基因棉花识别方法，在波长150um～3mm范围内，采集转基因棉花种子样本的太赫兹光谱信息；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。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，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。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。
【IPC分类】G06K9/62, G01N21/3586
【公开号】CN105372202
【申请号】CN201510706448
【发明人】刘建军, 范兰兰, 库进锋, 毛莉莉, 何俊
【申请人】九江学院
【公开日】2016年3月2日
【申请日】2015年10月27日