高光谱成像仪光谱数据特征波长的提取方法

高光谱数据维度高，相邻光谱波段存在共线性，且部分含有与样本被测组分无关的干扰信息。若以全光谱建模，则会增加模型计算的复杂度，降低模型预测运行效率和预测精度。因此，需使就需要筛取特征波长，建立精确的预测模型。本文对高光谱成像仪光谱数据特征波长的提取方法做了介绍。

1.竞争性自适应加权采样法（CARS）

CARS基于达尔文进化论的“适者生存”思想，利用蒙特卡洛采样技术和PLS模型的指数衰减函数，选择交叉验证均方根误差最小值的变量作为最优变量集。

2.连续投影算法（SPA）

SPA是一种前向循环特征变量选择方法，从一个波长变量开始，每次循环都计算其在未入选波长上的投影，提取投影向量最大的波长并引入到波长组合中，这样每一个新入选的波长都与前一个线性关系最小。

3.模拟退火算法（SA）

SA主要运算过程是，从全光谱中随机抽取一定波数的光谱信息作为SA的初始解，在此基础上构建PLS模型，以PLS模型的RMSECV作为SA的目标函数，通过变异操作产生新解，接着计算新解的目标函数值；当新解的目标函数值小于当前解的目标函数值，则接受新解为当前解；当新解的目标函数值大于当前解的目标函数值，则根据Metropolis准则以一定的概率接受新解跳出局部最优解并修正目标函数值，随着温度T的下降，接受新解的概率会减小，最终接受目标函数值较小的解。

4.迭代保留信息变量法（IRIV）

IRIV运算过程通常包括两个步骤：（1）基于二进制矩阵重排过滤器依次计算每个变量包含在变量组合时与不包含时的PLS 模型平均交叉验证均方根误差值的差，将其与Mann-Whitney U检验的p值共同判断该变量是否是强信息变量或弱信息变量，同时去除无信息变量和干扰变量；（2）对强信息变量和弱信息变量进行反向消除，剩余的变量即为最优特征波长变量。