基于连续投影算法的近红外波长变量选择方法

摘要

本发明公开了一种基于连续投影算法的近红外波长变量选择方法。利用权重值方法，将全谱分成三类：相关波数点集、无关波数点集、噪声波数点集，在“相关波数点集”、“无关波数点集”中选取波数点集，建立校正模型，采用正交投影来判断新选入的波长变量的重要性。该方法克服线性相关性、有效降低数据维数、最大限度提取解释信息，确保建立的校正模型校正具有较高的稳健性。

主权项

基于连续投影算法的近红外波长变量选择方法，其特征在于：包括如下步骤：（A）对近红外光谱进行预处理，对校正集和验证集样本进行划分；（B）利用预处理后的校正集近红外的全谱建立校正模型，设权重值为W，将其作为阈值，计算全谱X的权重值W，其计算如公式（1）所示；$W=\frac{1}{\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(y_{i,\mathrm{actual}}-y_{i,\mathrm{predicted}})}^2}{m-1}}}---\left(1\right)$（C）把校正集谱阵X等分为Num个子区间{I₁,I₂,…,I_Num}，对每个波数点I_i分别建立校正模型，计算各子区间的权重值得出权重值W_i，根据阈值大小，将全部波数点划分为三个集合：相关波数集S₁、无关波数集S₂、噪声波数集S₃，计算如公式（2）所示，其中：α为阈值浮动上限比例，β为阈值浮动下限比例，0＜β＜1＜α＜2；$\begin{array}{c}{S}_1=S_1\cap I_i,W_i>\mathrm{\alpha W}\\ S_2=S_2\cap I_i,\mathrm{\alpha W}\ge W_i\ge \mathrm{\beta W}\\ S_3=S_3\cap I_i,W_i<\mathrm{\beta W}\end{array}---\left(2\right)$（D）选择相关波数集里面的波数点作为初始点，第一次迭代(p＝1)，选取S₁集合中的波长点x_j，记为x_k(0)，即k(0)＝j,j∈1,…,|S₁|；（E）把还没选入的相关波数点、无关波数点集合中列向量位置的集合记为S，其中$S=\{j,1\le j\le m_1,j\notin \{k\left(0\right),···k(p-1)\left\}\right\};$（F）根据公式（3）分别计算剩余列向量x_j(j∈s)与当前所选向量x_k(p‑1)的投影；${\mathrm{Px}}_j=x_j-\left[x_j^T{x}_{\text{k}(p-1)}\right]x_{k(p-1)}{\left[{x_{k(p-1)}}^T{x}_{k(p-1)}\right]}^{-1},j\in s---\left(3\right)$（G）提取最大投影值的波长变量序号：k(p)＝arg[max(||Px_j||)],j∈s；（H）令x_j＝Px_j,j∈s，p＝p+1，如果p＜h，返回第（F）步；（I）将投影向量最大的波长引入到波长组合，最终选取的波长变量为{k(p),p＝0,…,h‑1}，每循环一个进行交互验证分析，每个新选入的波长，都与前一个线性关系最小，最小SEP对应的k(p)为最终选择的波长组合，最后根据最优波数点集建立校正集模型。