[发明专利]一种基于稀疏回归LAR算法的近红外定量分析方法

摘要

基于近红外光谱的定量分析回归模型的构建，是整个近红外光谱定量分析过程中的核心环节，也是最为复杂的环节。最小角度回归(Least angle regression,LAR)，是一种基于线性模型的稀疏回归算法。最小角度回归和前向逐段回归的过程类似，但使用数学公式来使计算效率更高。不再是在当前变量上进行多个很小和长度固定的步骤，步骤的合适长度通过数学方法计算确定，直到下一个变量的相关性赶上来。并且，最小角度回归方法也不用在当前已选取变量间轮流进行小步骤的系数调整直到另一个变量进入模型，该方法直接根据确定的步长跳到那个合适的点。LAR和其他传统方法的不同之处在于，将无关变量丢弃从而产生一个稀疏的模型；从而更少的被噪声所影响。本发明提出基于稀疏回归LAR算法的近红外光谱定量分析检测方法，相对传统方法具有明显优势。

主权项

1.一种基于稀疏回归LAR算法的近红外定量分析方法，其特征在于，包括以下主要步骤：（1）将近红外光谱数据的所有协变量进行标准化，使它们的均值为零并且方差为1，残差r的初始值等于居中化后的响应变量，所有的回归系数为零；（2）找出和残差最相关的协变量；（3）把回归系数从0向其最小二乘系数<（和残差r的内积）移动，直到一些其它的协变量和当前残差的相关系数追上的相关系数；（4）同时沿着当前残差在()上的联合最小二乘系数的方向，移动回归系数和，直到其它的某个协变量的相关系数赶上来；（5）持续这个流程，直到所有的协变量加入模型，或者模型中协变量数等于，当所有协变量加入LAR模型后，结果和通常的最小二乘一样；（6）根据以上的算法步骤，所选中的协变量根据其重要程度依次进入模型，最佳的模型一般会丢弃一些无关或者不重要的协变量，比如说，只保留前k个协变量，超参数k，模型中所保留的协变量个数，可以通过交叉验证来确定。