近红外光谱技术在线监测积雪草药材活性成分的大孔树脂分离纯化过程

利用近红外(NIR)光谱技术研究并建立可在线监测积雪草药材活性成分———羟基积雪草苷和积雪草苷的大孔树脂分离纯化过程的方法。收集积雪草药材提取物的50%乙醇大孔树脂洗脱液,并采集其近红外光谱信息,建立上述收集液中羟基积雪草苷、积雪草苷的高效液相色谱(HPLC)含量测定方法;然后,采用偏最小二乘法(PLS)建立上述收集液的NIR光谱与其中羟基积雪草苷及积雪草苷含量的线性关系。建模过程中,以相关系数(R2)、交叉验证均方根误差(RMSECV)为指标,确定用于建模的最优近红外波段和光谱预处理方法,即羟基积雪草苷和积雪草苷模型的最佳建模波段分别为12 000.8～7 499.8cm-1和12 000.8～9 750.3cm-1;R2分别为96.44和96.07;RMSECV分别为0.084 80和0.000 99。将上述模型用于在线监测积雪草药材提取物大孔树脂分离纯化过程中羟基积雪草苷及积雪草苷的含量,结果表明此模型预测效果良好。该方法快速、简便、准确,可用于生产过程中羟基积雪草苷及积雪草苷的在线检测和质量控制。     

应用近红外光谱法建立伤疖膏制备过程中黄芩苷含量模型

建立一种伤疖膏制备过程提取液中黄芩苷动态含量快速测定的近红外光谱分析方法,近红外透射光谱法扫描得到65组伤疖膏制备过程中提取液的近红外光谱图,以提取液中黄芩苷的HPLC测量值作为对照值,采用偏最小二乘回归算法(PLSR)建立NIR光谱与对照值的校正模型。校正模型主成分数为8,交叉验证均方根差(RMSECV)为0.006 8,相关系数(r)为0.999 1。应用校正模型对预测集的30组样品进行黄芩苷含量预测,所得预测均方根差(RMSEP)为0.009 2,r为0.998 7。结果表明,该方法快速、准确,为复方膏剂制备过程中化学成分快速定量和质量控制提供了方法和依据。     

近红外漫反射光谱法测定川藏道地药材菥蓂子中黑芥子苷含量

提出了用近红外光谱技术快速测定川藏道地药材菥蓂子中指标成分黑芥子苷含量的方法。对黑芥子苷含量在1.962%～3.917%范围的不同来源的菥蓂子,根据其在12 500～3 600 cm-1的近红外吸收光谱,采用偏最小二乘法(PLS)建立了校正模型,比较了光谱不同预处理方法对校正结果的影响。当采用最大最小归一化法时能最有效地提取光谱的信息,此时校正集相关系数(r)为0.989 8,校正集标准偏差(SEC)为0.023 3, 预测集标准偏差(SPE)为0.111 2。该方法快速简便,适合于重要指标成分的快速分析。     

SPXY样本划分法及蒙特卡罗交叉验证结合近红外光谱用于橘叶中橙皮苷的含量测定

在近红外光谱PLS定量模型的建立过程中训练集样本的选取和潜变量数的确定是十分重要的。因此,该研究以橘叶中橙皮苷的含量检测为例,分别比较了random sampling (RS),Kennard-Stone(KS),duplex, sample set partitioning based on joint x-y distance (SPXY) 四种训练集样本的选取方法对模型的影响,以及留一交互验证法和蒙特卡罗法对潜变量数确定的影响。结果表明,SPXY法选取的训练集建立的模型优于其他三种方法,蒙特卡罗法能够较好地确定模型的潜变量数并有效地减少过拟合风险,所建模型的交互验证均方根,预测均方根及预测集相关系数分别为0.768 1,0.736 9,0.975 2。     

加权SPXYE(WSPXYE)算法及其在近红外光谱模型转移中的应用（英文）

样本选择是模型转移的重要组成部分,其目的是在主光谱和从光谱中选择合适的样本,建立二者的转移模型,使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本,进而用主光谱的模型直接预测其浓度。目前,常用的样本选择算法有:Kennard-Stone法(KS法), SPXY法和SPXYE法。根据上述算法的特点,提出了一种新的样本选择方法:加权SPXYE法(WSPXYE法),进而将其用于选择合适的转移集样本。WSPXYE同样先计算样本间的距离,其距离有三个部分组成:光谱(X)之间的归一化距离d_(xs),浓度(y)之间的归一化距离d_(ys),以及校正误差(e)之间的归一化距离d_(es)。其加权代数和d_(wspxye)=αd_(xs)+βd_(ys)+(1-α-β)d_(es)即为WSPXYE距离。计算了WSPXYE距离之后,可以根据其距离选择距离较大的样本作为转移集样本。WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广,而KS法(α=1,β=0)、 SPXY法(α=0.5,β=0.5)以及SPXYE法(α=0.333,β=0.333)则是WSPXYE法的特例。直接校正法(DS)、有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。结果显示,与KS法、 SPXY法以及SPXYE法相比, WSPXYE法可以通过调节参数,选择合适的样本,获得较低的误差。     

高光谱反射率的滨海地区土壤全磷含量反演

反射光谱在近年来广泛应用于土壤属性的估算。作为一种有效估算土壤全磷含量的手段,反射光谱技术可以很大程度上减少传统化学测量方法所损耗的人力物力。以江苏滨海土壤为研究对象,在30个采样点采集了共147个土样,测量土壤样品光谱反射率及全磷含量。利用原始光谱反射率数据及6种不同的光谱变换结果,通过随机抽样（RS）、KS、SPXY三种样本集划分方法,基于偏最小二乘回归（PLSR）和支持向量机（SVM）方法分别建立土壤全磷含量的估算模型,对比分析了三种样本集划分方法对估算结果精度的影响。结果表明：（1）以原始光谱反射率为数据,PLSR模型,RS方法在多数情况下可以获得较为稳定的模型精度,明显优于KS和SPXY方法;在SVM模型中,采用SPXY方法获得的模型结果最优,KS次之,RS结果最差。（2）不同的样本集划分方法所合适的光谱变换方法不同,对于三种划分样本集方法,PLSR和SVM对应的最优光谱变换分别是对数的倒数和一阶导数（KS方法）,原始光谱和一阶导数（RS方法）,一阶导数和多元散射校正（SPXY方法）。其中采用KS方法划分样本集,PLSR和SVM均能获得最佳的预测结果。并非所有光谱变换方法都可以提高模型精度,部分光谱变换后PLSR模型预测精度显著降低;（3）在所有的样本集划分方法中,SVM的建模效果优于PLSR,采用RS方法划分样本集,PLSR的预测精度高于SVM,而采用KS和SPXY方法划分样本集,SVM的预测精度整体高于PLSR。综上所述,本研究区域估算土壤全磷含量的最佳模型是基于KS样本集划分方法和一阶导数光谱变换建立的SVM模型,此时拟合优度（R2_p）为0.82。结果表明反射光谱可以对滨海地区的土壤全磷含量进行有效预测,对土壤磷元素的高效快速反演具有一定的指导意义。     

近红外光谱法的甜菜糖度快速测定

为了实现甜菜依据含糖量定等分级,甜菜收购环节的按质论价,促进甜菜制糖行业的良好健康发展,应用近红外光谱技术对甜菜糖度的快速检测进行了系统研究,确定了一种快速、无损、准确的测量甜菜糖度的方法。采集具有代表性的28个甜菜品种,820个甜菜样品作为校正集,70个样品作为预测集,扫描得到甜菜校正集样品的近红外原始光谱,选择合适的光谱预处理方法,采用偏最小二乘法建立甜菜糖度的定量预测数学模型,以校正模型的内部交互验证均方根误差(RMSECV)、决定系数(R2)和外部预测标准误差(SEP)为指标对模型的性能进行评价,并对模型的预测效果进行了比较。采用一阶导数和标准正态变量变换对光谱进行预处理并结合偏最小二乘法所建立的定量预测数学模型的预测能力较好。甜菜糖度定量校正数学模型的模型决定系数为0.908 3,内部交互验证预测均方根误差为0.376 7。用此数学模型对预测集70个样品进行预测,预测值与实测值的相关系数达到0.921 4,预测标准误差为0.439,预测值和实测值之间不存在显著性差异(p＞0.05)。结果表明：近红外光谱法作为一种简单、快速、无损、环保的检测方法,能够良好的评价甜菜的糖度。建立的模型具有很高的精确性,可以满足甜菜糖含量测定的需要,该方法可以实现甜菜收购环节的定等分级和按质论价。     

近红外漫反射光谱法测定黄芩中总黄酮及黄芩苷的含量

文章建立了近红外漫反射光谱技术快速测定中药黄芩中主要活性成分黄芩苷和总黄酮含量的方法.对黄芩苷含量在12.24%～21.34%,总黄酮含量在16.08%～26.52%范围内的61个不同产地的黄芩,选择在8 000～4 000 cm-1范围内的近红外吸收光谱,采用偏最小二乘算法(PLS)比较不同光谱预处理方法建市的校正模型,结果表明一阶导数和最小最大归一化的数据预处理方法分别为黄芩苷和总黄酮最优预处理建模方法.黄芩苷校正集相关系数(r)为0.902 4,校正集标准偏差(SEC)为1.01,预测集标准偏差(SEP)为0.876 4;总黄酮校正集相关系数(r)为0.952 7,校正集标准偏差(SEC)为0.785,预测集标准偏差(SEP)为0.521 1,该方法快速简便,适合于黄芩中主要活性成分的快速分析.     

不确定度评估在中药近红外定量分析中的应用

采集六一散混合过程中样品近红外光谱,建立甘草酸含量近红外(NIR)偏最小二乘(PLS)定量模型。结果校正集相关系数r_cal=0.998 5,RMSEC=0.044 0 mg·g-1,预测集r_val=0.947 4,RMSEP=0.124 mg·g-1,表明近红外光谱法可作为六一散混合过程中甘草酸含量的快速测定方法。在定量模型建立的基础上,设计验证试验,采用由Liao等提出的基于蒙特卡罗仿真的方法,估计β-容度-γ-置信容许区间,并计算NIR定量分析不确定度,绘制不确定度轮廓。结果表明甘草酸含量高于1.56 mg·g-1时,测量不确定度在可接受范围(λ=±20%)内,表明所建不确定度评估方法可有效评价不同浓度水平下的甘草酸含量NIR定量模型的准确性和可靠性,可为其他中药NIR定量分析方法的不确定度评估提供借鉴。     

加权SPXYE(WSPXYE)算法及其在近红外光谱模型转移中的应用

样本选择是模型转移的重要组成部分,其目的是在主光谱和从光谱中选择合适的样本,建立二者的转移模型,使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本,进而用主光谱的模型直接预测其浓度。目前,常用的样本选择算法有：Kennard-Stone 法 (KS法), SPXY法和SPXYE法。根据上述算法的特点,提出了一种新的样本选择方法：加权SPXYE法(WSPXYE法),进而将其用于选择合适的转移集样本。WSPXYE同样先计算样本间的距离,其距离有三个部分组成：光谱(X)之间的归一化距离d_xs,浓度(y)之间的归一化距离d_ys,以及校正误差(e)之间的归一化距离d_es。其加权代数和d_wspxye=αd_xs+βd_ys+(1-α-β)d_es即为WSPXYE距离。计算了WSPXYE距离之后,可以根据其距离选择距离较大的样本作为转移集样本。WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广,而KS法（α=1,β=0）、SPXY法（α=0.5,β=0.5）以及SPXYE法（α=0.333,β=0.333）则是WSPXYE法的特例。直接校正法（DS）、有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。结果显示,与KS法、SPXY法以及SPXYE法相比,WSPXYE法可以通过调节参数,选择合适的样本,获得较低的误差。     

光谱多元分析校正集和验证集样本分布优选方法研究

分析了校正集和验证集样品数随性质分布不均匀性对光谱多元分析校正的不良影响,揭示了实际光谱多元校正中“均值化”现象,即性质值小的样本预测值结果偏大,性质值大的则偏小,提出了一种优选样品新方法—Rank-KS。其综合考虑光谱空间和性质空间对样本进行挑选,将性质空间平均分为若干小区间,在每个小区间内分别利用Kennard-Stone法和随机法进行校正集和验证集样本的挑选,这样得到的校正集和验证集可明显改善样本数随性质分布的均匀性。以红外光谱测定汽油中碳酸二甲酯(DMC)含量和近红外光谱测定二甲亚砜溶液二甲亚砜浓度为研究对象,分别采用Rank-KS、随机法、Kennard-Stone、浓度梯度法和SPXY等方法选择校正集和验证集样品,使用多元线性回归和偏最小二乘法建立模型,比较这些方法对光谱多元校正分析的影响,结果表明Rank-KS方法可改善校正集和验证集样品数随性质分布的均匀性;对于样本数分布中间局部样本多和两端局部少、或者局部没有样本的样本集,使用Rank-KS算法挑选校正集,无论使用MLR还是PLS1建立多元分析模型,均能明显改善其模型预测能力,使得到的模型的预测均方根最小。     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。     

净分析信号算法用于近红外模型优化的研究

将净分析信号概念引入多元复杂的银杏叶提取物分析中,利用净分析信号算法对近红外光谱图进行处理,并用净分析算法结合二维相关光谱算法对模型进行了优化,最终建立槲皮素、山柰素和异鼠李素三种组分同时测定的近红外定量模型。利用两种净分析信号算法(Lorber的NAS算法和Goicoechea 与 Olivieri的HLA/GO算法)作为光谱预处理方法,用一系列主因子重构后的光谱图建立校正模型,并通过净分析信号-二维相关光谱算法对图谱中主对角线处的波段进行选择,优化模型建立所采用的波段。所采用的两种基于净分析信号的预处理方法成功的应用于银杏叶中三种黄酮：槲皮素,山奈素和异鼠李素含量的同时测定。净分析信号预处理方法显著降低了建模所需主因子数,提高模型的稳健性。净分析信号-二维相关光谱算法能够优化建模波段,提高模型的预测能力。结论：净分析信号算法能够应用于近红外光谱模型预处理和优化过程,在复杂多组分且干扰未知植物药含量分析的研究中具有实际应用价值。     

土壤碱解氮含量可见/近红外光谱预测模型优化

可见/近红外光谱技术是土壤成分检测的有效工具。波长筛选对可见/近红外模型土壤属性的预测精度有重要影响。以宁夏吴忠地区75个水稻土样为研究对象,利用可见/近红外光谱技术采集土壤样品光谱,采用SPXY （Sample set partitioning based on joint X-Y distance）方法选取了校正集和预测集样本,比较了分别采用Savitzky Golay平滑（SG smoothing）、多元散射校正（Multiple scatter correction,MSC）、标准正态变量变换（Standard normal variate,SNV）3种预处理方法对光谱数据处理后建立土壤碱解氮偏最小二乘法模型和原始光谱数据建模的效果。在此基础上,分别采用遗传算法（Genetic gorithms,GA）、连续投影算法（Successive projections algorithm,SPA）、竞争性自适应重加权算法（Competitive adaptive reweighted Sampling,CARS）、随机蛙跳（Random frog,RF）进行波长筛选,最后应用偏最小二乘法建立基于不同波长筛选方法的土壤碱解氮含量预测模型。研究表明,由于仪器性能稳定,样品的颗粒度比较小和均匀,本次实验原始光谱数据建模效果最好;各种波长筛选方法均可有效减少参与建模的波长数,且连续投影算法优于全谱建模,所选波长数仅为全谱波长数的1%,其预测决定系数（R²）、预测均方根误差和相对分析误差值分别为0.726,3.616,1.906。这表明连续投影算法可以有效筛选水稻土碱解氮敏感波段,为土壤碱解氮传感器开发提供技术支持。     

基于离散萤火虫算法的近红外波长优选方法研究

近红外光谱数据量大,需要进行压缩,以降低建立光谱校正模型的计算复杂度,提高模型精度和稳健性。为此,提出了一种基于离散萤火虫算法(discrete firefly algorithm)的近红外光谱波长变量筛选方法。首先采用蒙特卡罗方法剔除异常值,并应用Kennard-Stone法进行校正样本的选择。对通用萤火虫算法进行离散化处理,改进了吸引度的自适应公式,在移动公式中增加了牵引权重,以适应离散化处理的影响和优化算法,并在离散萤火虫算法中加入精英保留策略,加快算法的收敛速度。实验中找到DFA算法中的各项参数中的最佳值。通过离散萤火虫算法优选波长变量,建立发酵液中丁二酸含量的近红外光谱偏最小二乘回归(partial least squares regression)校正模型。与标准遗传算法(genetic algorithm)优选波长方法进行了比较。结果显示,基于离散萤火虫算法的波长优选方法所建立的PLS校正模型,其校正集的相关系数(R2_c)为0.986,RMSEC为0.409,预测集的相关系数(R2_p)为0.969,RMSEP为0.458,模型稳健性和精度都要优于全光谱建模以及遗传算法波长优选方法。显示了DFA在近红外光谱数据筛选方面的优越性。     

基于DS算法的玉米近红外定性分析光谱校正方法研究

从校正的角度出发,研究了近红外定性分析中模型稳定性问题。以13个玉米品种为研究对象,针对数据采集时间不同带来的模型失效问题,借鉴近红外光谱定量分析中两台仪器间模型传递的思想,将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型,能用于其余时间测试数据的鉴别。首先采用Kennard/Stone算法在主光谱集中选取校正样品集,按照对应的编号从从光谱集中取出对应的数据,然后对校正样品集采用DS算法求取两组数据间的变换关系,再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。实验中对比了校正样本数和模型校正位置对校正结果的影响,分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。结果表明,该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象,对采样时间不同的测试集均得到较高的识别率,提高了模型的鲁棒性和适用范围,由实验结果可见,校正位置处于特征提取之后时,校正效果最佳。     

Rapid quantification of stabilizing agents in single-base propellants using near infrared spectroscopy

The standard analytical method (gas chromatography, GC) applied for determination of stabilizing agents including diphenylamine (DPA) and N,N′-Dimethyl carbanilide (C₂) in single-base propellants always costs too much time and toxic regents, and forms harmful wastes. This study investigated the feasibility of using near infrared (NIR) spectroscopy as a fast and green substitute. The samples were partitioned into calibration and validation subsets using the joint x–y distance (SPXY) algorithm. The backward interval partial least squares (biPLS) algorithm was used for wavenumber region selection during the model development. The correlation coefficient of validation (R_val), the root mean square error of prediction (RMSEP) and the ratio of standard deviation of the validation set to standard error of prediction (RPD) of the developed models were 0.987, 0.201 and 5.29 for DPA, and 0.976, 0.227 and 6.12 for C₂, separately. The repeatability of the NIR methods satisfied the requirement of the standard method. The results showed that the developed NIR models exhibited good predictive performance and repeatability, and would have a promising future in predicting stabilizing agents content of single-base propellants due to high speed, convenience and no pretreatment.     

近红外光谱结合化学计量学对五元调和油中单组分油的定量分析

有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。以往对调和油定量分析的研究大多集中于二元、三元和四元调和油,对更高元数调和油的研究很少,难以满足调和油检测需求。该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。由玉米油、大豆油、稻米油、葵花油和芝麻油配制成51个五元调和油样品,并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。首先,采用光谱-理化值共生距离（SPXY）算法将调和油样品划分为38个校正集和13个预测集样品。其次,考察了主成分回归（PCR）、偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、极限学习机（ELM）等五种多元校正方法对五元调和油各组分定量分析的建模效果。然后,在最佳建模方法的基础上比较了SG平滑、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数（1st Der）、二阶导数（2nd Der）和连续小波变换（CWT）六种光谱预处理方法,并讨论了预处理方法有效地原因。最后,在最佳预处理方法的基础上进一步利用竞争自适应重加权采样（CARS）和蒙特卡罗无信息变量消除法（MCUVE）筛选与预测组分相关的变量。结果显示,在五种建模方法中,PLS是最佳的建模方法,对玉米油、大豆油、稻米油、葵花油和芝麻油五种组分的预测均方根误差（RMSEP）分别为5.564 4,5.559 2,3.592 6,7.421 8和4.193 0。经过光谱预处理-变量选择,再建立PLS模型,对五种组分的RMSEP分别降低至1.955 3,0.562 4,1.145 0,1.619 0和1.067 1,预测相关系数（R_p）均高于0.98,表明采用合适的光谱预处理和变量选择方法,可以明显提高五元调和油中各单组分油定量分析的预测准确度。该研究为多组分调和油的快速无损定量检测提供了一种参考。     

正交匹配追踪算法的近红外光谱定量分析

压缩感知(CS)是一种新兴的信号压缩和采样技术,正交匹配追踪(OMP)是一种贪婪追踪算法,广泛用于压缩感知领域中的稀疏信号重构。针对近红外光谱信号高维小样本以及信号稀疏先验的特点,为进一步提高小样本近红外光谱变量选择的灵活性和可靠性,基于压缩感知理论,提出了一种新颖的光谱变量选择方法正交匹配追踪变量选择(OMPBVS)。OMPBVS算法通过对原始光谱信号的稀疏重构,将绝大部分变量的回归系数压缩为0,进而间接实现光谱变量选择。具体过程为以光谱矩阵为传感矩阵,预测变量为观测变量,迭代地计算残差与原子的内积,选择内积最大的原子,在每一步迭代过程中将信号投影到由所有已经被选择原子张成的子空间上,然后对所有被选择原子的系数进行更新,使得产生的残差与已被选择的所有原子都正交,其残差计算的实质是进行Gram-Schmidt正交化,正交投影能够在保证信号重构精度的情况下减小迭代次数。OMPBVS具有将光谱维度降低至样本大小规模的能力,其变量选择能力与LASSO相当,但与LASSO相比,由于OMPBVS损失函数的优化方法是前向选择算法,减少了迭代次数,并且可以精确控制选择变量的数量。分别在beer数据集和Wheat kernels数据集上进行变量选择实验,比较PLS,MCUVE-PLS,CARS-PLS,WMSCVS,LASSOLarsCV和OMPBVS六种变量选择方法的性能。其中beer数据集共60个样本,采用Kennard Stone (KS)方法划分训练集样本36个,测试集样本24个,预测变量为Original extract concentration。Wheat kernels数据集共523个样本,训练集样本415个,测试集样本108个,预测值为蛋白质含量。OMPBVS方法在beer数据集上选择变量个数、RMSEC和RMSEP分别为2,0.205 2和0.159 8,在Wheat kernels数据集上选择变量个数、RMSEC和RMSEP分别为9,0.450 2和0.412 5,其变量选择能力和模型性能均好于其他五种方法,这说明OMPBVS是一种有效的近红外光谱变量选择和定量分析方法。OMPBVS变量选择方法在小样本情况下具有良好的泛化能力,能够减少选择变量的数量,提高变量选择的稳健性。此外,基于SNV和MSC等光谱预处理方法,能够在一定程度上减少选择变量的个数,提高模型的可解释性。