基于逐步演进遗传算法的变量选择

摘要

变量选择一直是一个重要的研究课题，即如何能够从众多的影响因素中寻找到最有利于建模的因素。用于变量选择的方法有很多种，有传统的方法，也有基于传统方法进行改进的方法，还有一些是几种方法的联用。每种方法各有优缺点，适用于不同的问题。 本文选择改进的遗传算法-逐步演进遗传算法用于变量选择问题。并采用与偏最小二乘方法联用，适用于大规模的变量选择优化问题，进行建模预报。验证了该方法适用于离散的、非线性模型，能够合理的选择出最优的变量子集，收到较好的预报结果，使得可控性增强。还尝试甩于线性模型，采用高斯模拟法模拟光谱体系，验证了演进遗传算法的稳定性、可靠性与正确性，模拟了不同正交程度的光谱体系，发现该方法在正交程度大于0.3时预报结果较好，并能从200多个波长范围内选择出几十个包含重要信息的变量作为建模训练集，与未进行变量选择的训练集进行结果比较，发现结果稍有改善，但效率大大提高。 在烟草体系中，本文还选择逐步回归方法与偏相关系数矩阵方法同逐步演进遗传算法进行建模预报比较。逐步演进遗传算法预报测试集平均相对误差分别是：烟碱5.87％、焦油4.44％、CO 5.35％，采用逐步回归方法预报测试集平均相对误差分别是：烟碱5.19％、焦油4.96％、CO 6.95％，采用偏相关系数矩阵方法，选取其中预报结果较好的一组条件，预报测试集平均相对误差分别是：烟草5.83％、焦油4.76％、CO 8.94％。结果表明，逐步演进遗传算法是一种有效可靠的变量选择算法。 最后，参与了化学计量学算法网站的算法的建立工作，程序实现了KPLS算法，并用于小麦颗粒的质量识别．

目录

文摘

英文文摘

声明

第一章引言

1.1课题背景

1.2选题意义

1.3本文研究内容

第二章变量选择

2.1变量选择的目的

2.2变量选择的应用

第三章化学计量学方法用于变量选择

3.1逐步回归(Stepwise Regression)

3.2偏最小二乘方法(Partial Least Squares)

3.3遗传算法(Genetic Algorithms)

3.3.1遗传算法的特点

3.3.2遗传算法原理

3.3.3遗传算法在化学中的应用

3.4偏相关系数矩阵方法(Partial Correlation Coefficient matrix)

3.4.1 PCCM简介

3.4.2偏相关系数

3.4.3相对重要性

3.4.4 PCCM算法步骤

3.4.5变量选择依据

第四章逐步演进遗传算法

4.1基本概念介绍

4.2演进遗传算法(EGA)

4.3演进遗传算法与偏最小二乘连用

第五章数据模拟体系

5.1数据模拟的目的与意义

5.1.1数据模拟的目的

5.1.2数据模拟的要求

5.2高斯函数模拟

5.2.1高斯函数原理

5.2.2高斯函数在光谱模拟中的应用

5.2.3编程实现与软件介绍

第六章EGA应用于数据模拟体系

6.1光谱模拟

6.1.1验证EGA算法的正确性

6.1.2验证EGA算法的稳定性

6.2不同正交程度的光谱的解析

6.2.1正交程度

6.2.2不同OD的光谱模拟

6.2.3结果与讨论

6.3模拟紫外光谱

第七章EGA算法用于烟草质量控制的变量选择

7.1烟草简介

7.1.1烟草现状

7.1.2烟草数据来源

7.2 EGA-PLS变量选择及建模

7.2.1非线性模型分析

7.2.2数据预处理

7.2.3模型稳定性

7.3逐步回归方法变量选择及建模

7.3.1逐步回归方法变量选择结果

7.3.2逐步回归方法与EGA-PLS方法结果比较

7.4 PCCM-PLS变量选择及建模

7.4.1 PCCM变量选择

7.4.2 PLS方法建模

7.4.3 EGA-PLS与PCCM-PLS预报结果比较

第八章化学计量学平台的算法实现与测试

8.1 KPLS算法简介(Kernel PLS)

8.1.1核函数

8.1.2 KPLS算法的步骤

8.2 KPLS算法用于小麦颗粒质量评估

8.2.1数据来源

8.2.2结果与讨论

第九章结论与展望

致谢

参考文献

附录A烟草模型变量名称及符号

附录B标准正态分布函数表

附录C小麦颗粒的形态学与色泽参数

个人简历 在读期间发表的学术论文与研究成果