高光譜成像儀檢測到的光譜數(shù)據(jù)由數(shù)百個(gè)波段組成，光譜數(shù)據(jù)會顯得非常大且冗余，造成后期光譜數(shù)據(jù)處理分析時(shí)效率不高，精度不高，速度下降。因此，為了提升樣本信息分析的準(zhǔn)確性，就需要進(jìn)行光譜數(shù)據(jù)的提取，并進(jìn)行模型建設(shè)。本文對高光譜數(shù)據(jù)特征波長的提取及建模方法做了介紹。

高光譜數(shù)據(jù)特征波長的提取方法：

常用的特征波長提取算法有遺傳算法（GA）、競爭性自適應(yīng)重加杈算法（CARS）、無信息變量消除法（UME）、連續(xù)投影算法（SPA）、回歸系數(shù)法（RC）、Random frog等。高光譜數(shù)據(jù)分析中沒有標(biāo)準(zhǔn)的、唯一的方法選擇最佳波長。

1.Random frog方法

基于可逆跳馬爾可夫鏈蒙特卡洛算法，在模型空間中模擬一條服從穩(wěn)態(tài)分布的馬爾可夫鏈，來計(jì)算每個(gè)變量的被選概率，從而進(jìn)行變量的選擇。

2.CARS方法

模仿達(dá)爾文進(jìn)化論中的“適者生存”法則，利用指數(shù)衰減函數(shù)和自適應(yīng)重加權(quán)采樣技術(shù)去除PLSR模型中權(quán)重較小的回歸系數(shù)，優(yōu)選出權(quán)重前幾的系數(shù)。

3.SPA方法

通過對光譜數(shù)據(jù)進(jìn)行一系列的投影映射構(gòu)造新的變量集，并根據(jù)多元線性回歸評價(jià)模型的預(yù)測性能，該變量集中變量的共線性最小。

4.UME方法

向PLSR模型中添加幅度較小的隨機(jī)變量矩陣，基于交叉驗(yàn)證建立新的PLSR模型。將每個(gè)變量系數(shù)平均值和標(biāo)準(zhǔn)差的商作為穩(wěn)定性的值，同隨機(jī)變量矩陣得到的穩(wěn)定性的值作比較，選出被認(rèn)為和隨機(jī)變量一樣對模型建立無效的波長變量。

5.GA方法

模擬生命進(jìn)化機(jī)制，從任意一個(gè)初始群體出發(fā)，產(chǎn)生一群新的更適應(yīng)環(huán)境的個(gè)體，使群體進(jìn)化到搜索區(qū)域中越來越好的區(qū)域。

6.RC方法

PLSR建模所得到的模型回歸系數(shù)，挑選系數(shù)絕對值大的作為特征波長。

高光譜數(shù)據(jù)的建模方法介紹：

由于高光譜數(shù)據(jù)的復(fù)雜以及數(shù)據(jù)量很大，很難直接的對數(shù)據(jù)進(jìn)行定量定性分析，因此需要對提取得到的光譜數(shù)據(jù)采用化學(xué)計(jì)量學(xué)的方法進(jìn)行建模分析，對經(jīng)過特征波長變量提取后的光譜建立多元變量校正模型，比較不同模型的預(yù)測效果，選取最優(yōu)模型，便于以后的儀器開發(fā)應(yīng)用。目前，采用的化學(xué)計(jì)量學(xué)建模算法主要是偏最小二乘回歸法（PLSR）和最小二乘支持向量機(jī)（LS-SVM）。

1.偏最小二乘回歸法（PLSR）

PLSR是一種常見的多元統(tǒng)計(jì)方法，廣泛應(yīng)用于光譜檢測模型的建立。其原理是將因子分析和回歸分析相結(jié)合，同時(shí)將光譜數(shù)據(jù)和理化參考數(shù)據(jù)分解，采用留一法交互驗(yàn)證計(jì)算預(yù)測殘差平方和，再根據(jù)潛在變量的累積貢獻(xiàn)率和預(yù)測殘差平方和，尋找最佳的潛在變量個(gè)數(shù)將光譜數(shù)據(jù)和理化參考值相關(guān)聯(lián)，建立回歸模型。其優(yōu)點(diǎn)是較好的解決了樣本個(gè)數(shù)少于變量個(gè)數(shù)的問題。

2.最小二乘支持向量機(jī)（LS-SVM）

LS-SVM是一種改進(jìn)的支持向量機(jī)算法，能夠快速的進(jìn)行線性和非線性建棋分析，能有效解決高維數(shù)據(jù)分析問題，其算法思想是將原始樣本數(shù)據(jù)映射到高維空間里，用等式約束取代不等式約束，在高維空間里對最小化損失函數(shù)進(jìn)行求解獲得線性擬合函數(shù)。將傳統(tǒng)支持向量機(jī)的二次規(guī)劃問題，簡化成求解一個(gè)等式方程組問題，大大提高計(jì)算效率。