(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111677903.X (22)申请日 2021.12.31 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 任顺　陆旻波　任东　安毅　 杨信廷　王纪华　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 代理人 成钢 (51)Int.Cl. G01N 23/223(2006.01) G06F 30/20(2020.01) G06F 17/18(2006.01) G06F 111/06(2020.01)G06F 111/08(2020.01) (54)发明名称 基于波长频次选择的土壤重金属光谱特征 提取、 优化方法 (57)摘要 本发明涉及基于波长频次选择的土壤重金 属光谱特征提取、 优化方法， 包括： 采集土壤样 品， 配置样本， 获取样本的光谱， 形成样本数据 集； 多次运行BOSS算法， 计算各变量被选中的概 率， 挑选出概率大的波长变量， 计算预测模型的 RMSECV平均值， 调整波长变量的数量使RMSECV平 均值最小， 确定波长变量的最优数量N； 重复运行 串联的ICO ‑BOSS算法进行波长变量选 择， 计算各 变量被选中的概率， 从中选出N个概率大的波长 变量， 计算预测模型的RMSECV平均值， 调整波长 变量的数量使RMSECV平均值最小， 得到最优波长 变量集； 利用得到的波长变量集预测重金属含 量。 本发明采用串联的ICO ‑BOSS算法， 并采用波 长频次选择策略， 选出最优波长变量集， 用于重 金属含量的预测， 提高了预测模 型的稳定性和精 度。 权利要求书2页 说明书9页 附图3页 CN 114354666 A 2022.04.15 CN 114354666 A 1.基于波长频次选择的土壤重金属光谱特征提取、 优化方法， 其特征在于， 利用串联的 区间组合优化算法ICO和引导软阈值算法BOSS， 即IC O‑BOSS算法， 作为光谱波长变量选择算 法， 采用波长频次选择策略， 重复运行波长变量选择算法， 计算各波长变量被选中的概率， 选出被选中概 率大的波长变量， 用于 土壤重金属含量的检测， 所述方法包括以下步骤： 步骤1： 采集土壤样品， 配置预定重金属浓度范围的土壤样本； 获取土壤样本的X射线荧 光光谱， 其中重金属元 素的含量 值利用化学 方法标定， 形成样本光谱数据集； 步骤2： 重复多次运行引导软阈值算法算法， 计算各波长变量被选中的概率， 挑选出被 选中概率大 的波长变量， 建立偏最小二乘法模型对重金属含量进行预测， 计算交互验证均 方根误差平均值， 增大或减小挑选的波长变量的数量， 直至交互验证均方根误差平均值最 小， 确定引导软阈值 算法算法挑选的波长变量的最优数量 N； 步骤3： 重 复运行串联的ICO ‑BOSS算法对光谱进行波长变量选择， 计算各波长变量被选 中的概率， 根据概率大小对波长变量进行排序， 从中选出N个波长变量， 对重金属含量进行 预测， 计算偏最小二乘法模型 的交互验证均方根误差平均值， 增大或减小挑选的波长变量 的数量， 直至交 互验证均方根 误差平均值 最小， 得到最优的预测重金属含量的波长变量； 步骤4： 获取待测土壤样品的光谱， 利用步骤3得到的波长变量对重金属含量进行 预测。 2.根据权利要求1所述的基于波长频次选择的土壤重金属光谱特征提取、 优化方法， 其 特征在于， 所述区间组合优化 算法ICO， 包括以下步骤： 1)确定最优区间划分数量、 偏最小二乘法子模型的个数和子模型的比例， 将光谱划分为多个子区间， 并分别建立偏最小二乘法子模型预测重金属含量， 观察不 同数量的区间划分下的试验结果， 最小的均方根误差值对应的区间划分数量为最佳子区间 数量； 2)对波长区间进行组合优化； 2.1)偏最小二乘法子模型生成， 采用加权自举采样生成M个不同波长区间随机组合形 成的光谱子集， M表示采样次数， 每个波长变量的初始采样权重为1， 一次采样 中波长变量i 被选中的概 率pi的计算式如下： 式中n代表波长变量的数量， wi表示波长i的采样权 重； 2.2)采用偏最小二乘法和5折交互检验的方式计算每个波长区间组合子集对应的子模 型的交互验证均方根 误差值； 2.3)从全部波长区间组合中提取比例为α 的区间组合子集， 并计算出这部分区间组合 子集对应的子模型的交 互验证均方根 误差平均值， 记作RMSE CVm； 2.4)统计每个波长区间的波长变量在步骤2.3)确定的区间组合子集中出现的频次， 下 一轮迭代中第i个波长区间的采样权 重wi的计算式如下： 式中fi表示第i个波长区间的波长变量在提取的区间组合子集中出现的频次， kbest表示权　利　要　求　书 1/2 页 2 CN 114354666 A 2提取的区间组合子集包 含的波长区间的数量； 重复步骤2.1)至步骤2.4)形成迭代循环， 直到RMSECVm出现上升， 终止迭代， 执行步骤 2.5)； 2.5)最后一次迭代中， RMSE CVm值最小的那一组波长区间作为 最终选中的波长区间。 3.根据权利要求2所述的基于波长频次选择的土壤重金属光谱特征提取、 优化方法， 其 特征在于， 所述引导软阈值 算法BOSS， 具体包括： S1： 在波长变量空间中采用自助随机采样方法生成子集， 在每个子集中提取波长变量， 并剔除重复波长变量， 对剔除后剩余的波长变量赋予相等的权 重； S2： 对步骤S1得到的波长变量子集， 利用偏最小二乘法建立子模型， 计算子模型的交互 验证均方根 误差， 通过较小的交 互验证均方根 误差值提取最佳子模型； S3： 计算子模型的回归系数， 对所有回归矢量进行归一化并求和， 得到新的波长变量的 权重； 式中Wi表示波长变量i的权重， K表示子模型数量， bi,k表示第k个子模型中变量i的归一 化回归系数绝对值； S4： 基于得到的波长变量的权重， 应用加权自举采样方法生成新的子集， 在子集中提取 波长变量， 剔除重复变量并利用偏最小二乘法建立子模型， 将回归系 数绝对值较大 的变量 赋予较大的权重， 重复执行步骤S2、 S3、 S4， 直到得到的新子集的波长变量数量为1时停止， 迭代过程中将交 互验证均方根 误差最小的子集作为 最优波长变量 集。 4.根据权利要求3所述的基于波长频次选择的土壤重金属光谱特征提取、 优化方法， 其 特征在于， 步骤2还包括利用模拟退火算法对引导软阈值算法的参数进 行寻优， 得到最优的 引导软阈值 算法参数， 具体包括： 步骤一： 对于每一种参数， 选择初始解x0， 令当前迭代解xi＝x0， 将迭代步数l初始化l＝ 0， 当前迭代温度tl＝t0， t0表示参数任意可 取的值； 步骤二： 如果在当前温度达到内循环停 止条件， 则执行步骤三； 否则， 从当前解xi的邻域 N(xi)中随机选择一个邻居xj， 计算Δfij＝f(xj)‑f(xi)， Δfij表示当前解xi与邻居xj作为参 数的预测模型 的交互验证均方根误差的差值， f(xj)、 f(xi)分别表示xi、 xj作为参数 的预测 模型的交互验证均方根误差值； 如果Δfij≤0， 则接受新解， 令xi＝xj， 迭代次数l＝l+1， 执 行步骤三， 否则计算exp( ‑Δfij/tk)， 如果exp( ‑Δfij/tk)＞random(0， 1)， 则接受新解， 令xi ＝xj， 迭代次数l ＝l+1， 否则重新选择邻居， 执 行步骤二； 步骤三： 判断是否达到迭代终止次数， 若是， 执行步骤四， 否则执行步骤二进行下一次 迭代； 步骤四： 判断预测模型的交互验证均 方根误差值是否达到设定的阈值， 如果是， 输出当 前解， 否则降低温度值并跳转至步骤二， 开始新 一轮迭代搜索， 直至满足 终止条件。 5.根据权利要求4所述的基于波长频次选择的土壤重金属光谱特征提取、 优化方法， 其 特征在于， 步骤2得到的最优的引导软阈值算法参数包括： 迭代次数N＝50， 采样次数K＝ 1500， 模型选取比率 δ ＝5％。权　利　要　求　书 2/2 页 3 CN 114354666 A 3