模拟退火算法与遗传算法结合用于变量筛选

在传统的遗传算法中引入Ｍｅｔｒｏｐｏｌｉｓ接受准则,结合有序Ｇｒａｍ－Ｓｃｈｍｉｄｔ正交化,可以得到预报能力较强的模型,即ＰＲＥＳＳ值较低的模型。该法用于处理钢中微量元素及热处理工艺条件与钢的力学性质关系的问题,并与传统的遗传算法进行了比较,得到满意的结果。     

遗传算法用于偏最小二乘方法建模中的变量筛选

利用全局搜索方法－遗传算法（genetic algorithms,GA)对近红外光谱分析中的波长变量进行筛选,再用偏最小二乘方法（patrial least squares,PLS）建立分析校正模型。对两类样品的近红外光谱分析应用实例表明,这种选取变量进行校正的方法,不仅简化、优化了模型,而且增强了所建模型的预测能力,尤其适用于单纯PLS较以校正关联的体系。     

正交递归选择法及其应用

本文提出一种新的变量筛选法－正交递归选择法，该法可以得到预报能力较强的模型，即ＰＲＥＳＳ（预报残差平方和）值较低的模型。用该法处理构效关系问题，并与逐步回归正向选择法及ＰＬＳ回归法进行了比较，得到满意的结果。     

人发微量元素与性别关系的模式识别分类研究

通过对人发样品中22种元素含量的数据进行变量扩维及压缩筛选处理,选出了影响性别判断较显著的变量,用PLS法处理这些变量组成的数据,得到男性与女性分类清晰的二维判别图及预报模型,并根据所建立的预报模型及人发微量元素的含量判别人的性别,准确率为81%.     

离散小波变换-遗传算法-交互检验法用于近红外光谱数据的高倍压缩与变量筛选

用遗传算法(GA)与交互检验(CV)相结合建立了一种用于对近红外光谱(NIR)数据及其离散小波变换(DWT)系数进行变量筛选的方法，并应用于烟草样品中总挥发碱和总氮的同时测定。结果表明：NIR数据经DWT压缩为原始大小的3．3％时基本没有光谱信息的丢失；有效的变量筛选可以极大地减少模型中的变量个数，降低模型的复杂程度，改善预测的准确度。     

蒙特卡洛-偏最小二乘回归系数法用于近红外光谱变量筛选

提出了一种蒙特卡洛-偏最小二乘回归系数法用于近红外光谱的变量筛选。方法主要包含如下几步:(1)采用蒙特卡洛采样方式,建立多个子集;(2)对每个子集建模,计算其回归系数,并按回归系数绝对值大小对各子模型中的变量进行排序;(3)按频数统计方法对波长排序;(4)对上步中排序后的波长以逐步累加进入最佳变量子集的方式进行交互验证,用以选择最佳变量集。将方法用于生物样品溶液和烟草样品近红外光谱的变量筛选,最终分别从原始的1234及1557个变量中选择了27和68个特征变量,对独立测试集进行预测的RMSEP分别从全谱变量的0.02716和0.06411降低为0.02372和0.03977。方法可有效地对近红外光谱进行变量筛选。     

PLS变量筛选法用于有机物透聚乙烯膜性能QSAR研究

随着大量分子描述符应用于QSAR/QSPR,如何筛选出具有良好稳定性和预测能力的描述符集,成为亟待解决的一个瓶颈问题.将63个有机化合物的1664个描述符经过初步预选后,利用偏最小乘(PLS)方法进行变量筛选,获得42个重要描述符;随机选择43个有机物,针对透聚乙烯膜性能进行训练研究,得优良估计能力和良好稳定性模型(A=6,r2=0.9647,RMSE=0.213,q2=0.8364,RMSV=0.467);对模型外部20个有机物进行预测,表明模型具有良好预测能力(rp2=0.9306,RMSP=0.326).PLS变量筛选法可以快速有效地筛选与活性密切相关的重要描述符,进而构建具有良好稳定性和预测能力的QSAR模型.     

变量扩维-筛选方法优化西洋参的毛细管电泳分析条件

以西洋参干品的70％乙醇溶液回流提取液为模型样品,研究获取西洋参的中药指纹图谱,应用均匀设计法安排实验,使用变量扩维-筛选方法优化其毛细管区带电泳的实验条件,得出了分离度较好的谱图。主要峰的面积与西洋参重量的线性相关系数都大于0．930。     

基于灰狼算法的近红外光谱变量选择方法研究

基于群体智能的灰狼优化(GWO)算法具有参数少、结构简单、易于实现的优点,但在光谱领域的应用较少。该研究将GWO算法引入近红外光谱的变量筛选中,以玉米数据为例,考察了GWO算法中狼群性能、迭代次数、狼群数量及运算效率,并建立了偏最小二乘(PLS)模型对玉米样品中蛋白质、脂肪、水分以及淀粉含量的测定。结果显示,GWO算法运算效率很高,经过参数调优后建立PLS模型,其蛋白质、脂肪、水分及淀粉的保留变量数分别为19、19、14、34,预测均方根误差(RMSEP)从全波长PLS建模的0.245 8、0.122 4、0.339 8、1.105 8分别下降到0.147 7、0.080 1、0.176 2、0.739 8,分别下降了40%、35%、48%、33%,相关系数也相应地提高。因此,GWO算法不仅优化速度快,选择变量数少,还可以显著提高PLS模型的预测精度,是一种近红外光谱变量选择的有效方法。     

激光诱导击穿光谱检测青菜中镉元素的多变量筛选研究

利用激光诱导击穿光谱(LIBS)技术与常规化学分析方法获取28个浓度梯度含Cd元素的青菜样品的LIBS谱线信息以及Cd含量信息.对获取的光谱信息结合标准归一化处理(SNV)、一阶导数(FD)、二阶导数(SD)、中心化处理(Center)作为偏最小二乘法(PLS)模型的优选方法;再根据4种预处理方法的预测结果选取最佳方法,同时将该方法作为间隔偏最小二乘法(iPLS)与联合区间间隔偏最小二乘法(SiPLS)优选青菜LIBS谱线的最佳波长区间.结果表明:通过SiPLS优选的特征波长区间分别为214.72 ～ 215.82 nm,215.88～ 216.97 nm,225.08 ～ 226.35 nm,并且经过中心化预处理后建立的验证模型效果最好,结果显示交叉验证均方根误差(RMSECV)为1.487,验证均方根误差(RMSEP)为1.094,相关系数(R)为0.9942,平均相对误差(ARE)为11.60％.研究结果表明,所选优化方法适合青菜中重金属Cd元素的LIBS校正模型的建立,且具有较好的预测效果.     

基于遗传算法的波长选择方法在绿茶近红外光谱分析模型中的应用

利用遗传算法(GA)提取茶叶的近红外吸收特征波长的方法,研究建立了绿茶水分和氨基酸的近红外分析模型,并对波长选择前后两种成分的模型进行了比较分析。结果表明,经遗传算法波长选择后,简化了分析模型,同时模型的稳健性增强。氨基酸预测集的均方根误差(SEP)减小82.1%,水分预测集的均方根误差减小(SEP)76.6%,它们在波长选择前后对应的分析波长数之比分别为995∶7和1990∶33。     

Variable selection for multivariate calibration using a genetic algorithm: prediction of additive concentrations in polymer films from Fourier transform-infrared spectral data

Variable selection using a genetic algorithm is combined with partial least squares (PLS) for the prediction of additive concentrations in polymer films using Fourier transform-infrared (FT-IR) spectral data. An approach using an iterative application of the genetic algorithm is proposed. This approach allows for all variables to be considered and at the same time minimizes the risk of overfitting. We demonstrate that the variables selected by the genetic algorithm are consistent with expert knowledge. This very exciting result is a convincing application that the algorithm can select correct variables in an automated fashion.     

遗传算法在色谱谱图解析中的应用

将遗传算法引入色谱峰解析程序 ,结合色谱峰EMG模型及峰形经验公式 ,实现了恒温色谱谱图的全自动解析。对模拟谱图和实验谱图进行了解析 ,取得了满意的结果。本文对遗传算法的运算控制及运算效率进行了研究和讨论     

Comparative Study of Variable Selection Using Genetic Algorithm with Various Types of Chromosomes

In this study,different methods of variable selection using the multilinear step-wise regression(MLR) and support vector regression(SVR) have been compared when the performance of genetic algorithms(GAs) using various types of chromosomes is used.The first method is a GA with binary chromosome(GA-BC) and the other is a GA with a fixed-length character chromosome(GA-FCC).The overall prediction accuracy for the training set by means of 7-fold cross-validation was tested.All the regression models were evaluated by the test set.The poor prediction for the test set illustrates that the forward stepwise regression(FSR) model is easier to overfit for the training set.The results using SVR methods showed that the over-fitting could be overcome.Further,the over-fitting would be easier for the GA-BC-SVR method because too many variables fleetly induced into the model.The final optimal model was obtained with good predictive ability(R2 = 0.885,S = 0.469,Rcv2 = 0.700,Scv = 0.757,Rex2 = 0.692,Sex = 0.675) using GA-FCC-SVR method.Our investigation indicates the variable selection method using GA-FCC is the most appropriate for MLR and SVR methods.     

遗传算法用于化学结构图的同态研究

提出一种采用整数串编码和基于节点基因交换方式的遗传算法,并应用于化学结构图的同态研究.遗传算法在一组随机生成的表示目标结构与查询结构节点间映射关系的整数串中进行逐步优化,直到找出与查询结构匹配的映射,从而实现化学结构图的同态匹配,并实现多重匹配.     

Genetic algorithms (GA) applied to the orthogonal projection approach (OPA) for variable selection

Multivariate curve resolution (MCR) and especially the orthogonal projection approach (OPA) can be applied to spectroscopic data and were proved to be suitable for process monitoring. To improve the quality of the on-line monitoring of batch processes, it is interesting to get as many as possible spectra in a given period of time. Nevertheless, hardware limitations could lead to the fact that it is not possible to acquire more than a certain number of spectra in this given period of time. Wavelength selection could be a good way to limit this problem since it decreases size, and consequently the acquisition time, of each recorded spectrum. This paper details an industrial application of genetic algorithms (GA) coupled with a curve resolution method (OPA) for such purpose.