基于LabPQR降维的多色打印机光谱特征化模型研究

研究多色打印机的光谱特征化,提出了一种基于降维的光谱特征化模型,保证了多色打印机颜色转换的精度,同时也提高了特征化的运行效率。该模型结合颜色分区理论和LabPQR非线性降维方法,首先将高维光谱数据降低至LabPQR六维空间中,然后通过胞元搜索算法查找目标颜色所属的胞元空间,最后利用反向四面体插值算法对目标的LabPQR值进行计算,得到打印机最终的通道信号输出值。检测颜色样本的实验数据表明,正向模型和反向模型的平均色差达到0.714和1.016 NBS,模型的运行时间为2.03和9.05 s。新算法能够实现多色打印机光谱数据与通道信号值间的准确转换。     

基于二阶多项式回归和权重主成分分析法的多光谱降维算法研究北大核心CSCD

基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换,但低维空间数据含有大量负值,不能和色度空间如CIELAB等连接起来,给光谱颜色复制的后续研究带来困扰;建立XYZ三刺激到多光谱数据的转换,在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息;通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系,实现XYZ三刺激值到多光谱数据转换;在不同的训练样本,不同的测试样本时,相对于主成分和权重主成分,推荐的方法在多种照明条件下色度重建精度得到提高,可以较好地应用到多光谱图像的高保真降维和压缩。     

分形信号算法的CASI高光谱数据岩性特征提取

高光谱数据具有图谱合一和数据量大的特点,数据降维是主要的研究方向。波段选择和特征提取是目前高光谱降维的主要方法,就高光谱数据图像岩性特征提取的方法进行了试验和探讨。基于高光谱影像的自相似特征, 探索了分形信号算法在CASI高光谱数据岩性特征提取上的应用研究。以CASI高光谱影像数据为研究对象, 将基于地毯的方法进行修正后用于计算高光谱影像中每一像元的分形信号值。试验结果表明, 与其他分类算法相比分形信号算法增强高光谱图像的影像特征从另一个侧面更细致的描述了不同光谱的可区分性。分形信号影像在一定程度上可以更好地突出基岩裸露地区岩性特征, 从而可以实现影像地表岩性特征提取的目的。原始光谱曲线自身形态特征、初始尺度的选择以及迭代步长等对分形信号和分形特征尺度均有影响。目前,光谱曲线的分形信号特征研究还不多,对其物理意义和定量分析尚需要深入研究。     

基于视感知特征的多光谱高保真降维方法研究

为解决多光谱数据在降维压缩过程中的颜色精度保持问题,提出一种基于人眼视觉感知特征的多光谱数据高保真降维压缩方法(VPCM)。研究首先依据人眼视觉响应的非线性解析特征,成功构建了同时综合人眼光谱特征与色度特征的变换函数,并通过进一步构造的优化函数对其进行修正,以针对不同的样本集找到最佳变换方向,而后利用修正后的视觉特征变换函数对光谱样本集进行空间变换(Γ(S)=C),然后利用主成分分析方法对经视觉特征函数变换后样本集光谱数据进行降维压缩处理,并通过逆变换重构出样本集光谱数据(Γ-1(C)=^S),进行降维评价。实验选取四类具有典型代表性的数据集作为测试样本,分别以D50/2°条件下的CIELab色差和75组典型照明光源(钨丝灯、荧光灯和LED灯)下的平均同色异谱指数(MMI)作为色度主要评价指标,同时对比了Lab-PQR和2-XYZ两种较为先进的光谱降维算法。实验结果为VPCM方法的MMI值最小,其次是LabPQR,而2-XYZ的表现较差;VPCM方法在75组光源下对四组样本集的平均重构色差ΔEab也为最小,且最大样本平均色差及方差均要小于其他两种方法;VPCM方法的重构光谱精度介于Lab-PQR和2-XYZ之间,Lab-PQR的重构光谱精度最高。实验结果显示新方法色度压缩精度整体优于对比的两种方法,在变换参考条件下具有良好的色差稳定性,能够较好的应用于多光谱数据色度高保真压缩。     

液晶显示器(LCD)光谱特征化

显示器特征化是颜色管理的关键问题之一,早期人们关注的是建立显示器驱动信号RGB和色度值XYZ之间的相互转换关系,文献中讨论最多的是GOG和PLCC模型。最近,为了实现同色同谱再现,显示器的光谱特征化成为研究的热点,而且显示器的光谱特征化在多光谱图像的再现有着重要应用。提出采用常用的GOG和PLCC模型进行光谱特征化。虽然GOG和PLCC模型是常用的显示器特征化模型,但文献还没有用这两个模型进行光谱特征化的讨论。首先基于通道独立性和各通道色品坐标恒定性的假设证明了GOG和PLCC模型均可用于显示器光谱特征化。然后基于目前常采用的专业显示器EIZO CG277和BENQ PG2401进行了比较研究,同时也分别探讨了采用纯色和灰阶数据进行训练GOG和PLCC模型。比较结果表明,采用灰阶数据训练的GOG和PLCC模型分别好于采用纯色数据训练的GOG和PLCC模型;不论从正向还是从逆向的角度考虑采用灰阶训练的PLCC模型的精度要比SRPPM和GOG模型高,而且PLCC模型的逆向远比SRPPM的逆向简单。因此建议采用灰阶数据训练的PLCC模型对液晶显示器进行光谱特征化。     

基于逆模型偏最小二乘法的高光谱亚像元目标探测方法研究

目前的高光谱亚像元目标探测算法主要是利用线性混合模型,在背景端元光谱已知的前提下,构造一定的检测算子逐像元判定是否含有亚像元目标。该算法需要较为精确的背景端元光谱先验信息,且目标探测结果受背景复杂度影响较大。从光谱维数据分析的角度出发,将逆模型偏最小二乘法(ILS)和马氏距离奇异值检测方法相结合进行亚像元小目标探测研究。首先建立目标光谱与像元光谱的逆模型,并对像元光谱与目标光谱进行正交变换预处理(SNV),再利用偏最小二乘算法(PLS)计算逆模型的回归系数向量,从而将多维的光谱信息降维,并突出目标光谱信息,最后计算各像元回归系数的马氏距离,判定马氏距离大于3σ的系数所对应的像元点为含有亚像元目标的像元点。该方法仅需要目标光谱的先验信息,对背景的复杂度不敏感。文章采用AVIRIS仿真数据将上述方法与常用的正交子空间投影算法(OSP)的计算结果进行比较,通过比较不同算法的受试者工作特征曲线(ROC)以及信噪比(SNR)变化曲线,证实了该算法具有较快的运算速度和较高的目标探测性能。     

兼顾色度和光谱精度的多光谱图像LabW2P编解码

针对可见光多光谱图像在通用领域的应用,为提高压缩效率,有效提升重建光谱曲线的色度及光谱精度,进一步存储传输,提出了一种非线性光谱反射率模型,并基于此设计了复杂度适中、光照稳定性好且支持光谱跨设备再现的LabW2P编解码算法。首先根据多光谱图像物理特性,提出非线性光谱反射率模型,将光谱数据表示为线性成分和差别光谱,线性成分由六维变换空间及光谱投影系数组成,差别成分为非线性表示成分,该模型用于光谱数据至不同基变换空间的分解及表示,为算法的构建,光谱及色度重建性能的提升,提供了理论基础;然后,根据人眼视觉系统特征、光照条件,借助CIE标准色度空间转换函数,提取光谱反射率中的三维色度信息Lab,保证重建图像的色度精确性;基于光谱非线性表示模型,采用类视觉曲线的三角函数基,提取线性成分前两维投影系数作为光谱编码的后两维W₁和W₂,用于近似描述CIERGB色度空间中R和G通道,同时有效提高光谱数据的色度和光谱还原度;利用误差补偿机制生成预测差别光谱,采用主成分分析（PCA）法提取其第一维主成分作为编码值P,补偿了线性光谱重建误差,并进一步提升了光谱精确性;最后,组合提取的三部分数据,形成LabW2P编码。LabW2P解码即编码的逆过程。首先,根据Lab及W₁和W₂,结合CIELAB至CIEXYZ色度空间转换函数、光照条件、CIE标准观察者色匹配函数、及三角函数基,采用最小二乘回归,获得变换空间上的重建投影系数,进而重建线性光谱数据;然后,根据P值,采用PCA逆变换,获取重建预测差别数据,最后,结合两部分重建数据,获得光谱重建图像。实验分析显示,LabW2P算法的平均色度精度为0.207 6,较经典的PCA,LabPQR和LabRGB法分别提升了81.54%,55.48%,32.29%,最大平均色差为0.507 0,此外均处于0～0.5之间,达到了视觉难以辨认的可忽略色差的色彩重建水平;平均光谱精度为0.012 7,较PCA性能稍弱,较LabPQR和LabRGB法分别提升了13.01%,6.62%,表明LabW2P编码法的色度和光谱重建性能优势明显。此外该算法可直接用于物体色估计,较PCA和LabPQR法,传输附加信息少,可达压缩比更高。     

对比主成分分析的近红外光谱测量及其在水果农药残留识别中的应用

近红外光谱(NIR)分析具有测试方便、不破坏样本、响应快速等优势,但是,由于在谱带分布和结构分析中存在着许多复杂因素,使得在提取特征光谱信息时存在许多困难。现阶段,虽然已经有多种光谱数据降维方式被广泛使用,但是这些传统的数据降维方式都有一个局限性,就是数据的降维仅仅针对于一个数据集,当数据集中有多个关键因素形成干扰时,数据降维和分类的结果往往不是很理想,得不到想要分析的信息。这一问题造成了在分析近红外光谱时建立的数据降维模型极差,无法正确的对样品进行预测分类。对比主成分分析(contrastive principle component analysis, cPCA)是一种基于主成分分析(PCA)的改进算法,起源于对比学习,并应用于基因组信息解析。cPCA算法的优势就是能够将一个数据集中的降维推广到两个相关联数据集之间的降维,从而能够得到数据集中的关键信息。将cPCA算法应用于近红外光谱处理中,建立了准确的近红外光谱数据降维模型。在实验验证中,使用cPCA算法对不同类型水果(苹果和梨)表面农药残留进行分析。结果表明,在对不同类型的水果进行农药残留分析时,使用PCA算法进行数据降维只能区分出不同的水果类型,而水果表面是否喷洒农药这一关键的特征信息并不能分析出来;而使用cPCA算法进行数据降维分析时,由于对背景光谱的约束作用,能够清晰的将有无喷洒农药的样本分类。这说明了, cPCA在近红外光谱数据降维中有着明显的优势,解决了近红外光谱数据降维模型中数据集受限和特征信息的提取问题,进而建立准确的近红外光谱数据降维模型。     

喷墨打印系统多光谱特征化正向模型的建立

随着光谱技术的发展,打印系统的光谱特征化模型成为研究热点。基于光谱匹配的特征化模型通过直接预测设备基色的光谱反射比数据,可以有效的减少同色异谱现象的发生,为实现高保真印刷提供条件。主要基于Yule-Nielsen修正的Neugebauer光谱模型,开展了关于12色打印系统光谱特征化模型如何提高模型精度的研究。首先通过对颜色测量仪器及测量条件、喷墨打印机打印系统进行稳定性及精确度验证,为后续样本设计和测量提供可行性依据。然后,建立该研究设备适用的正向YNSN模型。依据CIELAB颜色空间中明度值L*均匀分布的原则,设计并输出了1 331个测试样本,抽取部分样本做训练样本,对所建立的光谱的特征化正向模型进行验证。结果表明,基于光谱的特征化模型预测精度较高,具有明显的优势。经验证,通过引入Yule-Nielsen修正参数n值,可进一步改善光谱预测精度。     

基于Gabor特征与局部保护降维的高光谱图像分类算法

提出了两种基于Gabor特征与局部保护降维的高光谱图像分类算法。该算法利用嵌入主成分分析的Gabor变换对高光谱图像进行特征提取。为了保护相邻特征的局部信息,利用局部Fisher判别分析或局部保护非负矩阵分离对Gabor特征进行降维,并采用高斯混合模型分类器对降维后的特征进行分类。两组高光谱数据的实验结果表明,本文算法不但能充分挖掘高光谱图像的谱间-空间特征,而且有效保护了高光谱图像的局部特征信息与多模型结构。与现有的几种算法相比,本文算法能得到更高的分类精度和Kappa系数,在高斯噪声环境中也具有更强的稳健性。     

一种基于光谱奇异值检测的高光谱遥感小目标探测方法

高光谱遥感技术能够借助丰富的地物图像和光谱信息,反映目标地物与背景地物间的细微差异,从而将其区分开来。目前的小目标探测算法多侧重于从图像处理方面着手,文章则从光谱维数据分析的角度出发,利用光谱分析中的奇异值检测方法探测小目标,首先对关注区域的地物像元光谱进行连续统去除和正交变换等预处理;然后将每个像元的光谱对该区域平均光谱进行光谱匹配求其相似性,并实现高光谱数据降维;而后通过光谱角匹配值的马氏距离进行奇异值检测,将马氏距离大于自适应阈值的像元判定为小目标。该方法不需要任何先验信息,实验结果表明该方法运算量较小,运算速度快,并有较好的小目标探测准确度。     

海面弱小目标高光谱融合技术研究

海面目标受海水扰动影响,难以被宽波段光电传感器探测识别。高光谱传感器可以获取海面目标和水体的光谱数据,利用目标和海水的光谱特性差异可以有效抑制海面扰动影响,提高探测识别能力。针对高光谱数据降维融合容易丢失海面弱小目标问题,研究了弱小目标光谱数据融合方法。通过相似性分类产生类矩阵,由类矩阵主成分变换的降维投影矩阵来投影变换原有光谱数据,获得降维数据矩阵。降维矩阵通过空间变换转换到RGB彩色空间,生成伪彩色融合图像。通过远距离弱小目标和水中鱼群高光谱数据,验证了改进方法的融合性能。实验结果表明:相似性分类融合方法不仅能将高维光谱数据融合成一幅伪彩色图像,还能有效避免弱小目标融合丢失问题,提高了目标探测识别能力。     

基于光谱匹配降维和特征融合的高光谱目标跟踪

针对现有高光谱视频目标跟踪算法在目标尺度发生变化时容易出现跟踪精度下降的问题,提出一种基于光谱匹配降维和特征融合的高光谱目标跟踪算法。首先,利用目标局部光谱和阈值来估计目标光谱,并利用目标光谱与高光谱图像进行朴素相关,实现高光谱图像降维,从而提取目标的深度特征。然后,利用局部方差判断目标区域,提取目标的3D方向梯度直方图（HOG）特征。为保留高光谱图像的光谱信息以及深度特征的语义信息,利用通道卷积融合的方法,得到更具辨别力的融合特征。最后,将融合特征送入相关滤波器,通过尺度池思想提高算法在目标尺度变化挑战下的跟踪鲁棒性。实验结果表明,所提跟踪算法在目标尺度变化挑战下具有更好的性能。     

近红外光谱LASSO特征选择方法及其聚类分析应用研究

近红外光谱技术是一种通过分析样本的特征光谱数据,实现定性或定量分析的无损检测方法,特征数据的完整性和代表性决定了所建模型的性能,而现有分析方法只能实现光谱子区间特征筛选,导致分析模型稳定性差、且难以再优化。为实现近红外光谱区间高维数特征提取,有效提高近红外光谱定性分析模型的精度和稳定性,提出一种基于最小绝对收缩和选择算法(LASSO)的光谱特征筛选方法,并以我国特色高值外贸产品云南松茸为分析对象进行聚类应用研究,讨论了该方法对于高维光谱特征筛选的有效性、分析对比了LASSO筛选特征变量及主元分析(PCA)降维算法所建松茸真伪甄别及食用菌分类模型的预测精度及稳定性。通过调研发现,云南产鲜松茸因其独特外形易于分辨,而片状的干松茸失去其独有的外形特征,导致国内干松茸掺假事件屡禁不止。选取云南产松茸、杏鲍菇、老人头、姬松茸四种干样共166样本数据进行分析,采用光谱范围为900～1 700 nm的NIRQuest512型近红外光谱仪获得166×512维原始光谱数据,剔除异常数据后采用标准正态变换对光谱数据进行预处理。在此基础上,利用LASSO筛选出全光谱区间的特征变量,再使用Kennard-Stone法并结合典型线性(KNN)和非线性建模(BP)算法,构建松茸真伪甄别模型和食用菌分类模型,对两种模型进行盲样测试,并分析了LASSO与PCA算法的不同点,最后使用蒙特卡罗方法检测两种模型的稳定性。实验结果表明基于LASSO光谱特征选择的松茸真伪甄别模型和食用菌分类模型预测精度和稳定性均高于PCA方法,其中基于原始光谱数据所建真伪甄别模型的预测准确率为69.57% (BP)和60.87% (KNN),食用菌分类模型准确率为67.39% (BP)和65.22% (KNN),基于LASSO特征筛选的真伪甄别模型预测准确率分别达到100% (BP)和78.26% (KNN),食用菌分类模型预测准确率分别达到89.13% (BP)和80.43% (KNN),对两种模型进行10次蒙特卡罗实验,其结果平均值分别为99.93%和97.22%,由此可知,与PCA等数据降维算法相比,LASSO可实现全光谱区间的光谱特征选择和数据降维,有效地提高了近红外定性分析模型的预测性能,为近红外分析提供了一种新的特征筛选方法。     

基于Wasserstein散度的t-SNE相似性度量方法研究

近红外光谱具有高维、高冗余、非线性的特性,严重影响了样本之间的相似性度量的精准,故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。基于流形学习算法思想,利用高斯分布将高维数据的距离转换为概率分布,使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。将高维数据的概率分布嵌入映射至低维度空间,重构低维流形结构,引入Wasserstein散度度量两个空间内概率分布的差异,通过降低散度值来提高两个分布的相似度,以此来实现高维数据降维处理。为验证Wt-SNE算法的有效性,首先对烟叶近红外光谱数据进行降维投影,并与PCA、 LPP、 t-SNE算法比较,结果表明Wt-SNE算法降维后的数据,在低维空间内样本类别边界更加明显。其次,采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测,准确率分别为93.8%、 91.5%、 92.7%,表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。最后,选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换,根据备选样本与目标样本之间的马氏距离选取替换样本。实验表明,Wt-...     

基于去噪降维和蝙蝠优化的高光谱图像盲解混算法

为解决盲源分离技术难以直接用于高光谱图像解混这一问题,将丰度非负及和为1约束作为盲源分离的目标函数,改变传统的独立性假设;同时,针对目标函数中具有大量的局部极小,引入蝙蝠优化算法,解决传统梯度类优化算法易陷入局部极值的问题.在降维过程中,提出一种基于奇异值分解去噪的正交子空间投影的降维方法.仿真数据和真实遥感数据实验表明,所提出算法收敛速度和解混准确度高,具有较强的抗噪声干扰能力,适用于像元纯度很低的高光谱图像解混.     

基于双向长短期记忆网络的太赫兹光谱识别

特征提取是太赫兹光谱识别的关键处理步骤,通常利用降维方法作为特征提取手段。然而,当一些化合物的太赫兹光谱曲线整体差异度较小时,降维方法往往会缺失样本差异的重要特征信息,从而导致分类错误。如果不采用降维方法提取特征,传统机器学习分类算法对维数较高的原始太赫兹光谱数据又不能很好的分类。针对此问题,提出了一种基于双向长短期记忆网络（BLSTM-RNN）自动提取太赫兹光谱特征的识别方法。BLSTM-RNN作为一种特殊的循环神经网络,利用其LSTM单元可以有效解决原始太赫兹光谱数据维数较高使得模型难以训练问题。再结合模型的双向频谱信息利用架构模式,可以增强模型对复杂光谱数据自动提取有效特征信息的能力。采用三类、15种化合物太赫兹透射光谱作为测试对象,首先利用S-G滤波和三次样条插值对Anthraquinone,Benomyl和Carbazole等十五种化合物在0.9～6 THz内的太赫兹透射光谱数据进行归一化处理,然后通过构建一个具有双向长短期记忆的循环神经网络对太赫兹光谱的全频谱信息进行自动特征提取并利用Softmax分类器进行分类。通过试验优化网络结构和各项参数,最终获得了针对复杂太赫兹透射光谱数据的预测模型,并与传统机器学习算法SVM,KNN及神经网络算法MLP,CNN进行对比实验。结果表明,dataset-1和dataset-2分别作为差异度较大和无明显峰值特征的五种化合物太赫兹透射光谱数据集,其平均识别率分别为100%和98.51%,与其他方法相比识别率有所提高;最重要的是,dataset-3作为5种化合物谱线极为相似的太赫兹透射光谱数据集,其平均识别率为96.56%,与其他方法相比识别率提高显著;dataset-4作为dataset-1,dataset-2和dataset-3的透射光谱数据集集合,其平均识别率为98.87%。从而验证了BLSTM-RNN模型能自动提取有效的太赫兹光谱特征,同时又能保证复杂太赫兹光谱的预测精度。在选择模型训练优化算法方面,使用Adam优化算法要好于RMSProp,SGD和AdaGrad,其模型的目标函数损失值收敛速度最快。同时随着模型训练迭代次数增加,相似太赫兹透射光谱数据集的预测准确率也不断提升。可为复杂太赫兹光谱数据库的光谱识别检索提供一种新的识别方法。     

GA-BP神经网络结合PCA的多基色颜色预测模型

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(△Eab*)为1.669,光谱均方根误差(RMSE)为0.7％,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均△Eab*分别为3.267,2.776,2.175,光谱RMSE为0.97％,0.79％,0.76％)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.     

基于局部线性嵌入的特征融合方法在岩石破裂 状态分类的应用*

为了获取岩石破裂过程有效的声发射信号特征,更好的对岩石破裂状态进行分类,提出一种基于流形学习算法的LLE特征融合方法进行数据降维。以红砂岩为研究对象设计室内单轴压缩实验采集信号,然后对原始声发射信号预处理并对信号进行特征提取,以时域、频域下的特征向量重新组合成一组新的多维特征向量,采用线性主元(PCA)和流形学习LLE算法分别进行降维。比较两种算法降维后融合特征的聚类效果二维和三维分布图,使用LLE算法降维后,四种状态分布相对更近,呈一条水平线趋势,且各状态交叉混叠数目较少,第一状态没有一个样本错判,且四个状态相比于PCA降维后的聚类效果更集中。再比较两种算法降维后融合特征的敏感度之和,LLE算法融合特征敏感度之和远大于PCA算法,说明经过LLE算法降维后得到的融合特征更多地表征了原始信号包含的局部信息同时证明了LLE算法相比PCA算法具有更好的聚类效果。最后经LLE特征融合下的砂岩破裂状态分类实验验证,融合特征后的识别率相对单一的时域特征识别提高了6%。表明该方法能显著提高岩石破裂状态分类的识别率,降维性能相对突出。     

siPLS-LASSO的近红外特征波长选择及其应用

近红外技术广泛应用于食品、药品等生产过程和产品质量检测,具有样品无需预处理、成本低、无破坏性、测定速度快等优点。但是,全光谱数据维数高、冗余信息多,直接应用于建模会导致模型复杂性高、稳定性差等问题。siPLS是最常见的光谱数据降维方法,但是难以处理光谱数据的共线性问题。LASSO是一种相对新的数据降维方法,但在小样本应用中具有不稳定性。针对siPLS和LASSO在近红外光谱数据应用中存在的问题,提出了基于siPLS-LASSO的近红外特征波长选择方法,并将其应用于秸秆饲料蛋白固态发酵过程pH值监测。该方法首先采用siPLS算法,实现对光谱波长最佳联合子区间的优选;然后,对优选联合子区间使用LASSO算法进行特征波长选择,在此基础上建立PLS校正模型。同时,将siPLS-LASSO方法与其他传统特征波长选择方法进行了对比。结果表明：建立在siPLS-LASSO方法优选33个特征波长基础上的PLS模型预测结果更好,其预测方差(RMSEP)和相关系数(R_p)分别为0.071 1和0.980 8;所提siPLS-LASSO方法有效选取了特征波长,提高了模型预测性能。