基于变量选择比自适应迭代法的近红外光谱变量选择方法研究

近红外光谱分析技术(NIRS)存在信号弱、谱带重叠等问题,为了提高模型预测精度,提出了变量选择比自适应迭代法(PSAI)。通过蒙特卡洛法(MCS)采样,从样本中采集不同样本子集,利用偏最小二乘法(PLS)计算出每个子回归模型以及每个变量回归系数的平均值和标准差并得到初始权重,进而选取出最佳特征变量。结果表明,变量选择比自适应迭代法与自助软收缩法、无信息变量消除法以及竞争自适应重加权采样法相比,小麦蛋白数据预测精度分别提升了14%、21.4%、4.1%;牛奶蛋白数据预测精度分别提升了25%、43.3%、8.7%。所以变量选择比自适应迭代法对于简化预测模型,提高模型预测精度是可行的。