[发明专利]基于自加权变量组合集群分析的近红外光谱变量选择方法

摘要

本发明涉及基于自加权变量组合集群分析的近红外光谱变量选择方法，属于分析化学领域的无损分析技术领域，具体实施过程如下：首先通过二进制矩阵采样法(BMS)对变量空间进行随机采样，其次通过对变量出现频率(Fre)和偏最小二乘回归系数(Reg)两种信息向量(IVs)做加权处理得到每个光谱变量的贡献值，进而考虑了Fre和Reg两种IVs对变量重要性的影响。最后通过指数衰减函数(EDF)删除那些贡献值较小的变量进而实现特征变量选取。该方法与现有技术相比较，具备快速、可重复的优势，并提高了模型的预测精度及稳定性。

主权项

1.基于自加权变量组合集群分析的近红外光谱变量选择方法，其特征在于，包含以下步骤：A应用近红外光纤光谱仪测试所收集样本的近红外光谱，运用Kennard‑Stone算法分为校正集和预测集；B通过二进制矩阵采样法从变量空间中采样K次，得到K个变量子集，每一个变量子集都含有一组随机的变量组合，其中K值为1000；C利用偏最小二乘法计算出每个变量组合的交互检验均方根误差，并选取其交互检验均方根误差最小的前σ×K个变量子集作为变量集，其中σ值取10％，σ×K的值为100；D统计变量集中每个变量出现的频率并进行归一化处理，进而得到了一个变量重要性判断依据称为第一类信息向量；E计算出变量集中每个变量在不同变量集中的偏最小二乘回归系数的绝对值，并进行归一化处理，最后对变量集中每个变量在不同变量集中的归一化回归系数绝对值进行求和，变量归一化回归系数绝对值之和的大小与变量的重要性成正比，进而得到又一个变量重要性判据称为第二类信息向量；F根据每种信息向量的交互检验均方根误差设置第一类信息向量和第二类信息向量的权重；G根据第一类信息向量和第二类信息向量的权重，计算出变量集中每个变量的贡献值；H运用指数衰减函数删除那些贡献值较小的变量，保留其贡献值较大的变量，得到一个新的变量空间R；I变量空间R中的变量继续通过步骤B～步骤H进行变量筛选，此过程迭代N次，N值为50，最终剩下L个变量，L值为14，计算出这L个变量之间所有变量组合的交互检验均方根误差，其值最小的变量组合为最终特征波长选取结果。