提出了一种运用量子粒子群(quantum-behaved particle swarm optimization， QPSO)算法优化多输出最小二乘支持向量机（multi-output least squares support vector machine， MLSSVM）的新混合优化算法。 该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、 芝麻油、 葵花油和大豆油的快速定量鉴别。 采用基线校正去除背景荧光， 结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。 构建基于QPSO-MLSSVM混合优化算法的定量分析模型， 并采用20个组分组成的预测集对其进行模型校验。 实验结果表明， 基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好， 均方差(mean square error, MSE)为00241， 低于005， 各油分预测相关系数均高于98%。 研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法， 对四组分调和油中各油分进行快速定量检测可行， 具备较强的自适应能力和良好的预测精度， 可以满足多组分调和油的成分鉴别。

提出了一种利用混合蛙跳算法(SFLA)优化最小二乘支持向量机(LSSVM)算法的混合优化算法, 并将其应用到多峰Brillouin散射谱的特征提取中。SFLA-LSSVM混合优化算法利用SFLA对LSSVM算法中的惩罚因子C和核函数中的核宽度σ进行寻优, 避免了LSSVM算法陷入局部最优导致的Brillouin频移误差较大。通过对相同信噪比、不同线宽以及相同线宽、不同信噪比2种情况下的多峰Brillouin散射谱仿真分析以及实验验证, 拟合适应度为0.0067, 拟合度为99.99%, Brillouin频移误差为0.18 MHz。实验结果表明SFLA-LSSVM混合优化算法能够精确地对多峰Brillouin散射谱进行拟合, 同时该算法具有拟合精度高、均方误差小、运行速度快的特点, 为多峰Brillouin散射谱的特征提取提供了一种新方法。

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。 以三组分的食用调和油为研究对象, 对拉曼光谱分四步进行了预处理, 进而准确提取拉曼光谱的特征峰强度。 以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值, 建立LSSVM和PSO-LSSVM数学模型, 通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。 非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大, 导致模型的预测精度和泛化能力过度依赖于参数——在优化步长过小时耗时较长, 过大时又无法得到全局最优值。 提出的PSO-LSSVM算法, 利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化, 从而克服LSSVM算法中耗时与盲目性的问题。 分析结果表明, PSO-LSSVM算法对三组分食用调和油中大豆油、 花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7, 0.997 2, 0.995 3； 均方误差分别为0.054 9, 0.009 2, 0.047 1。 与LSSVM算法相比, PSO-LSSVM模型的预测精度更高。 因此, 该方法可以快速、 准确地检测三组分食用调和油的含量。

提出了一种将遗传算法(GA)和量子粒子群(QPSO)算法相结合的新优化算法，该算法通过运用GA 中的交叉和变异算子操作来优化QPSO 算法，提高QPSO 的全局搜索能力，克服其易陷入局部极值的缺点。将其应用到Pseudo-Voigt型布里渊散射谱特征提取，对不同权重比、不同线宽和不同信噪比下的布里渊散射谱进行了参数估计和分析，通过采集不同温度时的布里渊散射谱实验数据，利用GA-QPSO 算法对实验数据进行处理。实验结果表明，利用GA-QPSO 算法可以提高布里渊散射谱的频移提取精度，当温度为25 ℃时，频移拟合误差最大为2.18 MHz，且随着温度的升高，平均拟合误差逐渐减小，在80 ℃时的频移拟合误差最大为0.065 MHz。因此，将该算法用于布里渊散射温度和应变传感系统，在提高空间分辨率、检测精度等方面具有很好的应用前景。