基于可扩展的自表示学习波段选择算法在近红外光谱回归建模中的影响研究

该文提出了一种基于可扩展的自表示学习（SOP－SRL）波段选择与偏最小二乘（PLS）建模的定量模型分析方法，以安胎丸指标含量阿魏酸、黄芩苷和汉黄芩苷为研究对象，通过SOP－SRL选取代表性波段，采用PLS建立近红外光谱回归模型，并与相关系数法（CC）、正则化自表示学习算法（RSR）和稀疏子空间聚类法（SSC）3种波段选择算法的建模结果进行对比，以校正决定系数（R2c）、校正均方根误差（RMSECV）、预测决定系数（R2p）和预测均方根误差（RMSEP）为评价标准，对回归模型的预测性能进行评估。结果显示，SOP－SRL在3种数据集上均取得了较好的结果，建模波段从全波长的800分别减少到70、67、87；RMSEP分别从0.080 1、6.349 5、0.742 5下降到0.065 3、3.620 8、0.407 3，分别下降了18%、43%、45%；相应的R2p分别从0.911 9、0.879 4、0.915 8提高到0.938 8、0.952 6、0.970 1，分别提高了3%、8%、6%。结果表明，经SOP－SRL波长选择后模型的预测能力相比于其他几种算法得到显著提升，基于SOP－SRL的PLS模型可以实现安胎丸指标含量的快速检测。

Effects of Scalable One-pass Self-representation Learning on Near Infrared Spectroscopy Regression Modeling