[发明专利]基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法

权利要求书

1.一种基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法，其特征在于包括下列步骤：

步骤l：利用m个样品在n个近红外波长下采集的近红外光谱数据X建立m×n的矩阵，其中，矩阵的每一列代表了m个样品在一波长下的光谱变量，即近红外光谱数据X具有n个光谱变量，沿着波长方向将近红外光谱数据X的n个光谱变量均等分为N个窗口，样品目标组分数据用y表示，迭代次数设置为T，初始化i＝0，i≤T，T取100和N两者之间的最小值，计算剔除窗口速率r＝N/T，窗口宽度为n/N；

步骤2：i＝i+1；

步骤3：随机选取经步骤l划分窗口后的m×80％个样品的近红外光谱数据，使用选取样品的保留窗口中的光谱变量和对应的样品目标组分数据y建立PLS模型，得到多个回归系数，回归系数的个数和保留窗口中的光谱变量数目相同，按照保留窗口中光谱变量的窗口位置将多个回归系数也分成相同窗口；

步骤4：统计步骤3划分得到的窗口内回归系数绝对值的均值；

步骤5：依次剔除步骤3划分得到的窗口内回归系数绝对值均值最小的窗口，直到保留窗口数为停止，其中为向下取整数符号；

步骤6：基于m个样品，使用K折交叉验证，检验保留窗口内的光谱变量，计算使用保留窗口的光谱变量和对应的样品目标组分数据重新建立的PLS模型的RMSECV_i；

步骤7：如果iT，返回步骤2，重复步骤2-7，否则结束循环进入步骤8；

步骤8：基于m个样品，使用RMSECV_i最小值对应的光谱变量与对应的样品目标组分数据y建立PLS模型；

步骤9：使用步骤8建立好的PLS模型用于未知样品分析，即将未知样品的近红外光谱数据代入步骤8的PLS模型，得到其目标组分数据的预测值。

2.根据权利要求1所述的基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法，其特征在于，所述窗口数N为100。

3.根据权利要求1所述的基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法，其特征在于，所述步骤1的窗口划分方法为，用n表示m个样品的光谱变量数目，计算1至n+1之间的N+1个等分点，若出现小数，则向下取整，使用I₁,I₂,I₃,…,I_N+1表示取整后的等分点，则I₁＝1，I_N+1＝n+1，第i个窗口选取变量范围为I_i～I_i+1-1。

4.根据权利要求1所述的基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法，其特征在于，所述K折交叉验证为10折交叉验证或5折交叉验证。

5.根据权利要求1所述的基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法，其特征在于，所述窗口数N使用交叉验证优化，即设定窗口数N为10,20,30,…,500，并计算每个窗口数N对应的最小RMSECV_N，取RMSECV_N最小对应的N为后续计算的窗口数。

6.根据权利要求1所述的基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法，其特征在于，在计算之前使用蒙特卡洛交叉验证确定PLS模型因子数。

7.根据权利要求1所述的基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法，其特征在于，PLS模型计算前，使用中心化处理样品光谱变量和建模目标组分数据，即使用建模光谱数据减去其平均值，建模目标组分数据减去其平均值。