不同平滑集成CARS算法在红茶等级光谱判别中的应用

移动窗口平滑集成CARS算法(MWS-ECARS)是一种稳定的特征变量提取算法。在前人研究的基础上,提出了两种基于不同窗口平滑算法改进的MWS-ECARS对红茶光谱降维,并与原始的MWS-ECARS、常用的连续投影算法(SPA)、竞争性自适应重加权算法(CARS)、移动窗口偏最小二乘法(MWPLS)比较,建立偏最小二乘算法回归模型(PLSR),选择出最优红茶等级判别模型。两种改进的MWS-ECARS方法分别是窗口高斯滤波平滑集成CARS(gaussian filter ECARS, GF-ECARS)、窗口中值滤波平滑集成CARS(median filter ECARS, MF-ECARS)。CARS算法运行n次(该研究n=1 000),整合波长及其对应的挑选频率并用不同的窗口平滑算法对挑选频率进行平滑,窗口宽度均为3~31,窗口步长均为2;将通过不同窗口宽度和平滑算法平滑过的挑选频率进行阈值的设定,起始阈值及步长均为20;最后选择出挑选频率大于阈值的波长,建立PLSR模型,以预测集相关系数(RP^2)为判断因子,RP^2越接近1,说明建立的模型预测能力更为准确。结果表明:改进后的GF-ECARS算法提取的特征变量建立红茶等级判别模型的结果最好,RP^2达到0.969 2。原因是在窗口高斯滤波平滑算法中,随着窗口宽度增大,其曲线上各点的振幅差距会变小。在高斯算法加权平均的过程中,不容易出现将低频的波长与高的权值相联系。在实际应用中,往往会出现有效波段的挑选频率较低的情况,可以通过选择窄窗口宽度的高斯滤波对其进行平滑。另外,高斯曲线的特征能使高斯滤波很好的保护窗口边缘图像的细节。虽然MF-ECARS算法的建模结果比原始MWS-ECARS略差,但其RP^2仍然达到了0.96以上,表明改进后的算法能提高原始模型的预测能力。不同窗口平滑算法的MWS-ECARS提取特征变量不同,但随着平滑窗口宽度的增加,特征变量区间连续性都在增强,数目均在减少。三种MWS-ECARS算法的预测集相关系数都显示出它们比常用的SPA, CARS和MWPLS三种降维算法更有效,更稳定。为光谱数据的选择性降维算法研究提供参考。