1.一种基于蝙蝠算法的光谱变量选择方法,其特征在于其具体步骤为:
1)采集一定数目样品的光谱,用常规方法测定样品被测成分的含量,采用一定的分组方式,将数据集划分为训练集和预测集;
2)将训练集的整个光谱范围划分为若干个子区间,蝙蝠个体用一串二进制码表示,对应子区间的选择与否用“1”与“0”表示;
3)利用公式(1)和(2)将蝙蝠个体位置进行离散化;
4)对蝙蝠算法的初始化参数进行优化,依次优化迭代次数、响度以及脉冲频率、蝙蝠数目;
5)利用优化好的参数,采用蝙蝠算法进行变量区间选择,输出最佳的光谱子区间组合;
6)利用所选择的变量区间,建立PLS模型,将预测集中相应的被选择的变量区间代入PLS模型中,进行预测。
2.根据权利要求1所述的基于蝙蝠算法的光谱变量选择方法,其特征在于:对蝙蝠算法的初始化参数进行优化时,具体步骤为:
首先对迭代次数进行优化:固定蝙蝠数目,响度和频度,迭代次数从1变化到500,间隔为10,计算不同迭代次数下的预测均方根误差,预测均方根最小值对应的迭代次数为最佳迭代次数;
其次对响度和频度进行优化:迭代次数采用最佳值,固定蝙蝠数目,响度和频度分别从0.1变化到0.9,间隔为0.1,采用两个循环,计算不同响度和频度下的预测均方根误差。预测均方根误差最小值对应的响度和频度为最佳响度和频度;
最后对蝙蝠数目进行优化:迭代次数、响度、频度采用最佳值,蝙蝠数目从10变化到40,间隔为5,计算不同蝙蝠数目下的预测均方根误差,预测均方根误差最小值对应的蝙蝠数目为最佳蝙蝠数目。
3.根据权利要求1所述的基于蝙蝠算法的光谱变量选择方法,其特征在于:该变量选择方法主要适用于复杂样品光谱的变量选择。