一种面向XRD数据的龙骨鉴真方法与流程

本技术涉及龙骨鉴别，尤其涉及一种面向xrd数据的龙骨鉴真方法。

背景技术：

1、龙骨作为传统矿物类中药材，其真伪鉴定直接关系到临床用药的安全与有效性。近年来，利用xrd技术获取物质晶体结构特征，并结合机器学习或深度学习构建数字化鉴真模型，已成为该领域的研究热点。然而，xrd数据具有高维度、非线性及衍射峰重叠严重等复杂特性，导致鉴真模型中超参数的选取面临巨大挑战：搜索空间存在大量的局部极值，传统的人工调优或穷举搜索往往难以兼顾全局寻优效率与模型参数的精准匹配。粒子群优化算法（pso）作为一种模拟群体智能的进化计算技术，凭借其不依赖梯度信息、收敛速度快且易于并行化的优势，在处理这类高维非线性优化问题上展现出天然的适用性。pso 能够通过粒子间的协作与竞争，在复杂的参数地形中实现高效搜索。然而，面对xrd数据引发的高度复杂目标函数，标准pso算法在进化后期易出现种群多样性缺失、陷入局部最优等“早熟”现象。因此，探索能够增强全局搜索能力并保持种群活力的改进型优化算法，对于提升xrd龙骨鉴真模型的辨识准确率与鲁棒性具有重要意义。

2、目前，针对多目标优化问题（moops）（如任务分配和路径规划等）已提出了多种学习算法。无论是经典算法还是新型学习算法，均被广泛应用于解决此类问题。在去中心化多智能体系统中，学习算法能够在短时间内通过迭代不断更新智能体的状态。用于求解多目标优化问题的学习算法必须确保其收敛性，并能够逼近帕累托最优解。

3、关于学习算法在多目标优化问题（moops）中的应用，已有大量的理论研究。这些研究通常假设多智能体系统处于理想状态，例如非交互式的网络空间，系统内的智能体之间不存在任何相互作用力。这些方法适用于解决通用场景下的问题，但在现实世界中的多智能体系统应用往往面临更多的约束条件。为了满足现实世界中多目标优化问题的需求，研究人员提出了一些针对现实约束的多智能体学习方法。例如，在灾难救援场景中，迫切需要在短时间内找到并救出被困的幸存者。去中心化部分可观测马尔可夫决策过程（dec-pomdps）为不确定性环境下的多智能体序贯决策提供了一个通用框架。此外，在大规模且部分可观测的随机环境中，由于成本高昂或安全原因，通常无法获取领域模型或难以使用仿真器。为此，有研究提出了一种基于策略的强化学习方法，用于在宏动作（macro-action）场景下进行策略学习。

4、粒子群优化算法（pso）可应用于此类场景。pso的灵感来源于鸟群的觅食行为。借助这种进化计算技术，可以通过随机和自适应的过程求得稳健的解。尽管基础pso在资源成本和全局最优解搜索方面具有优势，但仍存在一些缺陷，如早熟收敛和多样性丧失。目前已有许多关于pso变体的研究，主要通过四种不同的途径对学习算法进行了改进。首先，可以通过修改学习策略（如互学习pso和正交学习pso）来直接提高收敛速度。另一种改进方法是基于参数进行优化，例如惯性权重因子和加速系数。这两个参数对收敛速率有着重要影响。此外，还可以将其他学习算法（如遗传算法（ga）、极值优化（eo）和蚁群算法（aco））与pso相融合。这种新型混合优化算法能够兼顾pso的探索能力与其他优化算法的开发能力。最后，研究人员还探讨了粒子邻居拓扑结构，以增强pso的探索能力。相关的拓扑结构改进pso变体包括全信息粒子群算法（fips）和动态多种群粒子群优化算法（dmsps）。

5、然而，上述改进策略仍存在以下不足：（1）基于学习策略或参数优化的改进方法虽然能够在一定程度上提升收敛速度，但未能从根本上解决粒子群在进化后期多样性丧失的问题，在xrd鉴真模型参数搜索这类具有大量局部极值的高度复杂目标函数中，算法仍易过早收敛于局部最优；（2）将pso与其他算法进行混合的策略增加了算法的复杂度，且在参数搜索的不同阶段难以动态平衡探索与开发能力；（3）现有基于拓扑结构的改进方法大多采用固定的邻居选择规则，未能充分考虑粒子在参数空间中的实际分布特征，邻居关系的更新缺乏自适应性，导致种群拓扑结构不能有效反映搜索进程的动态变化；（4）更重要的是，现有改进方法均未考虑粒子间的流体动力学交互特性，在参数搜索过程中，各粒子独立依据个体最优和全局最优信息更新自身状态，缺乏对粒子间局部协同行为的建模，难以模拟生物群体在复杂环境中的自适应搜索行为，限制了算法在高维非线性参数空间中的全局寻优能力。

6、针对现有技术中存在的上述问题，在xrd龙骨鉴真场景下，鉴真模型（如支持向量机）的超参数（如惩罚系数c和核函数参数γ）的选取直接决定了模型对xrd图谱中衍射峰位偏移及强度变化的解析灵敏度与特征提取权重。由于xrd数据具有高维度、非线性及衍射峰重叠严重等复杂特性，其对应的参数搜索空间存在大量局部极值，标准pso算法及其上述改进变体在进化后期均难以在保持种群多样性的同时持续进行全局搜索，易因粒子趋同而丧失对参数空间中更优区域的探索能力，导致最终输出的模型参数组合仅为局部最优解，无法使鉴真模型精准锁定正品龙骨特有的晶体结构指纹特征，从而制约了鉴真模型的辨识准确率与鲁棒性。因此，亟需提供一种能够模拟流体环境中粒子协同搜索行为的参数优化策略，在xrd鉴真模型参数搜索过程中通过引入粒子间的局部交互机制以维持种群多样性并增强全局寻优能力，从而有效避免算法早熟收敛，获得更优的鉴真模型参数组合以提升龙骨鉴真精度。

技术实现思路

1、本技术提供一种面向xrd数据的龙骨鉴真方法，针对xrd鉴真模型参数搜索空间存在大量局部极值、标准pso算法在进化后期易出现种群多样性缺失和早熟收敛的技术难题，在pso速度更新框架中引入流体动力学交互速度项，并基于voronoi邻居拓扑构建粒子间的局部交互结构，通过计算对齐项和旋转流体动力学交互项以模拟流体环境中的粒子协同行为，同时自适应调整惯性权重因子和流体动力学交互学习因子，以维持粒子群在搜索过程中的多样性并增强全局寻优能力。该方法利用流体动力学交互机制引导粒子在参数空间中协同搜索，有效避免陷入局部最优，最终输出最优模型参数组合以配置鉴真模型，从而解决现有参数优化方法在xrd龙骨鉴真场景下寻优精度不足的技术问题，提升龙骨鉴真的辨识准确率。

2、为达到上述目的，本技术采用如下技术方案：

3、本技术提供一种面向xrd数据的龙骨鉴真方法，所述方法包括：

4、获取已知真伪的龙骨x射线衍射图谱样本数据，作为参考数据集；

5、构建基于支持向量机的龙骨鉴真模型，所述龙骨鉴真模型以x射线衍射图谱数据为输入，以龙骨样本的真伪类别为输出；

6、构建用于分析已分类数据关联性的多项式目标函数，并初始化参数，生成包括n个粒子的粒子群；其中，所述多项式目标函数用于评估所述龙骨鉴真模型在不同模型参数组合下的分类误差率，每个粒子的初始位置代表所述龙骨鉴真模型的一组待优化的模型参数组合；

7、根据所有粒子在当前参数空间中的位置，计算每个粒子的voronoi邻居拓扑结构；

8、将每个粒子当前位置所代表的模型参数组合代入所述龙骨鉴真模型，使用所述参考数据集进行训练和测试，计算所述龙骨鉴真模型的分类误差率作为该粒子的适应度值，并记录每个粒子的个体历史最优位置和全局最优位置；

9、结合voronoi邻居计算对齐项和旋转流体动力学交互项；

10、根据所述对齐项和旋转流体动力学交互项，计算朝向向量和voronoi邻居平均速度；

11、根据所述朝向向量和voronoi邻居平均速度，计算流体动力学交互速度；

12、更新惯性权重因子；

13、根据当前迭代次数判断是否更新流体动力学交互学习因子；

14、根据所述流体动力学交互速度、惯性权重因子及流体动力学交互学习因子，按照速度和位置更新公式，更新每个粒子的速度和位置，生成新一代的模型参数组合；

15、基于所述新一代的模型参数组合，重新计算每个粒子的voronoi邻居拓扑结构，并对模型参数组合进行更新，直至满足终止条件，输出最优的龙骨鉴真模型参数组合；

16、利用所述最优的龙骨鉴真模型参数组合配置所述龙骨鉴真模型，获取待鉴别龙骨样本的x射线衍射图谱数据，并使用配置后的龙骨鉴真模型对所述待鉴别龙骨样本的x射线衍射图谱数据进行鉴真，输出鉴真结果。

17、进一步地，所述按照速度和位置更新公式，更新每个粒子的速度和位置，包括：

18、根据当前粒子的个体历史最优位置、全局最优位置以及流体动力学交互速度，按照如下速度更新公式计算粒子更新后的速度：

19、

20、其中，表示当前迭代次数，为粒子当前的速度，为粒子更新后的速度，为惯性权重因子，为第一加速权重，为第二加速权重，为流体动力学交互加速学习因子，、、均为在[0,1]区间内均匀分布的随机因子，为粒子当前位置，为流体动力学交互速度，为个体最优位置，为全局最优位置；

21、根据更新后的速度，按照如下位置更新公式计算粒子的新位置：

22、

23、其中，为粒子更新后的位置。

24、进一步地，所述流体动力学交互速度通过如下公式确定：

25、

26、其中，为朝向向量，为voronoi邻居平均速度。

27、进一步地，所述朝向向量通过如下公式确定：

28、

29、其中，为对齐项，为旋转流体动力学交互项，为单位向量。

30、进一步地，所述voronoi邻居平均速度通过如下公式确定：

31、

32、其中，为目标粒子的voronoi邻居集合，为voronoi邻居的数量，为第

j个voronoi邻居粒子的速度。

33、进一步地，根据当前粒子与其voronoi邻居粒子之间的距离和角度关系，通过如下公式计算所述对齐项：

34、

35、其中，为对齐强度参数，为目标粒子与voronoi邻居粒子之间的距离，为第一角度参数，为第二角度参数。

36、进一步地，获取各voronoi邻居粒子在当前粒子位置处诱导产生的速度，根据所述诱导产生的速度，通过如下公式计算所述旋转流体动力学交互项：

37、

38、其中，为当前粒子的朝向向量，为当前粒子的垂直朝向向量，为voronoi邻居粒子

j在目标粒子位置处诱导产生的速度，为梯度算子。

39、进一步地，所述voronoi邻居粒子在目标粒子位置处诱导产生的速度的获取方式包括：

40、根据偶极子强度参数、voronoi邻居粒子与目标粒子之间的距离和角度，通过如下公式计算：

41、

42、其中，为偶极子强度参数，和分别为在邻居粒子局部参考系中定义的极坐标分量，为第三角度参数，为目标粒子与voronoi邻居粒子之间的距离。

43、进一步地，更新惯性权重因子的方式包括：

44、根据当前迭代次数、最大迭代次数以及粒子群的动能，按照以下公式自适应更新所述惯性权重因子：

45、

46、其中，为惯性权重的初始值，为惯性权重的终止值，为当前迭代次数，为最大迭代次数，为在[0,1]区间内选取的随机数，为粒子群的动能。

47、进一步地，根据当前迭代次数判断是否更新流体动力学交互学习因子的方式表示为：

48、

49、其中，为惯性权重因子，为流体动力学交互加速学习因子。

50、本技术提供的面向xrd数据的龙骨鉴真方法，其至少具有如下有益效果：

51、（1）本技术针对xrd龙骨鉴真模型的参数因xrd数据高维度、非线性及衍射峰重叠严重而导致难以选优的技术难题，在粒子速度更新框架中引入流体动力学交互速度项，模拟流体环境下粒子间的协同行为，使各粒子在进化过程中能够根据voronoi邻居的状态调整自身运动方向。其中，每个粒子的位置代表一组待优化的模型参数组合，粒子的速度代表该组模型参数在搜索空间中的调整方向和幅度。由于xrd鉴真模型参数搜索空间存在大量局部极值，标准方法在进化后期易因粒子趋同而丧失对更优参数区域的探索能力，而本技术通过流体动力学交互机制使各粒子在参数搜索过程中持续受到来自局部邻居的扰动作用，有效维持了粒子群在参数空间中的分布多样性，避免粒子过早聚集于局部最优区域，从而使得最终搜索到的模型参数组合能够使鉴真模型更精准地解析xrd图谱中正品龙骨特有的衍射峰位偏移及强度变化特征。

52、（2）本技术采用voronoi图构建粒子的邻居拓扑结构，根据各粒子在参数空间中的实际分布位置动态确定邻居关系，使每个粒子的交互对象随搜索进程自适应变化。其中，每个粒子的voronoi邻居指在参数空间中与该粒子距离最近且其voronoi单元相邻的其他粒子，该邻居关系随粒子位置更新而动态重构。由于xrd数据中不同衍射峰之间重叠严重，参数空间中对应不同峰位解析灵敏度的参数组合可能分属于不同的局部最优区域，本技术通过动态voronoi邻居拓扑使粒子能够根据参数空间中的局部聚集特征自适应调整交互范围，边缘粒子与内部粒子均获得合理的邻居数量，既避免了因邻居过多导致个体特性丧失的问题，也避免了对远离自身的粒子群区域进行无效交互，从而提升了鉴真模型参数搜索的多样性和全局寻优效率。

53、（3）本技术通过在对齐项中引入偶极流场权重因子，在旋转项中引入水流对粒子朝向的偏转作用，使粒子在参数空间中的运动行为模拟真实鱼群在流体环境中的动力学规律。其中，对齐项根据目标粒子与其voronoi邻居粒子之间的距离和角度关系计算，用于使粒子的运动方向与其邻居粒子趋于一致，增强粒子群在参数搜索过程中的协同性；旋转流体动力学交互项根据voronoi邻居粒子在目标粒子位置处诱导产生的速度计算，用于模拟水流对粒子运动朝向的偏转作用。当粒子群在某一参数区域趋于收敛时，旋转流体动力学交互项产生的诱导速度能够引导部分粒子向参数空间的未探索区域迁移，从而使鉴真模型的参数搜索过程具备持续跳出局部极值的能力。通过上述机制，本技术能够在xrd图谱的复杂衍射特征中有效区分正品龙骨与伪品的晶体结构差异，避免因参数收敛于局部最优而导致模型对伪品xrd谱图中相似衍射峰产生误判。

54、（4）本技术通过对惯性权重因子进行自适应动态调整，使其根据粒子群的动能变化实时改变权重值，并在迭代前期保持较高的流体动力学交互学习因子以维持种群多样性，在迭代后期将该学习因子置零以保障寻优精度。其中，惯性权重因子控制粒子先前速度对当前速度的影响程度，流体动力学交互学习因子控制流体动力学交互速度项在速度更新中的贡献权重。该自适应调整策略使参数搜索过程能够在全局探索与局部开发之间实现动态平衡，既保证了搜索初期的广域覆盖能力，能够遍历参数空间中模型参数的大范围取值区间，也确保了搜索后期的精细寻优能力，能够在最优参数邻域内进行精细定位，从而获得分类误差率更低的鉴真模型参数组合。

55、（5）本技术通过上述流体动力学交互机制与voronoi拓扑结构的协同作用，最终输出的最优模型参数组合被配置到基于支持向量机的龙骨鉴真模型中。该配置后的鉴真模型在有效滤除xrd图谱中背景噪声及制备差异带来的干扰信号的同时，能够精准锁定正品龙骨特有的晶体结构指纹特征。实验统计结果表明，本技术在鉴真模型分类误差率的最优值、均值、标准差及中位数等关键指标上均显著优于传统方法及其他基线方法，从实际鉴定效果上验证了本技术能够显著提升xrd龙骨鉴真模型的辨识准确率与鲁棒性，为矿物类中药材的数字化鉴别提供了可靠的技术手段。