高光譜成像儀在數(shù)據(jù)采集的過程中，獲取的光譜波段數(shù)據(jù)非常的龐大，包含的冗余和共線性信息會(huì)影響模型的預(yù)測(cè)精度。因此，需要對(duì)提取的光譜數(shù)據(jù)進(jìn)行優(yōu)化，提取特征波長。本文對(duì)高光譜成像儀光譜數(shù)據(jù)特征波長的提取方法做了介紹。

高光譜成像儀器和光譜儀一般能夠獲得數(shù)百個(gè)光譜波段，同時(shí)光譜分析需要收集大量樣本，光譜矩陣往往非常龐大，光譜分析效率不高。同時(shí)光譜數(shù)據(jù)中包含的冗余和共線性信息會(huì)影響模型的預(yù)測(cè)精度。因此，需要對(duì)提取的光譜數(shù)據(jù)進(jìn)行優(yōu)化，去除冗余變量，尋找對(duì)模型建立起到關(guān)鍵作用的波長變量，減少波長個(gè)數(shù)，簡化和優(yōu)化模型。提取得到的特征波長還有助于分析光譜檢測(cè)機(jī)理，開發(fā)簡易、低成本的多光譜成像檢測(cè)設(shè)備。

常用的特征波長選擇方法有連續(xù)投影算法、無信息變量消除、遺傳算法、逐步回歸法、回歸系數(shù)法、載荷系數(shù)法、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法、Random Frog等，其中競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法和Random Frog是兩種新型的波長選擇方法，得到越來越廣泛的應(yīng)用，下文對(duì)這兩種特征波長提取方法做了介紹。

1.競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法

作為一種新的變量選擇算法，競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）是由研究人員在2009年提出。該方法與偏最小二乘回歸算法相結(jié)合，通過模仿達(dá)爾文進(jìn)化論中“適者生存”的原則，每次采樣過程中利用指數(shù)衰減函數(shù)（EDP）和自適應(yīng)重加權(quán)采樣技術(shù)（ARS）去除偏最小二乘回歸模型中回歸系數(shù)絕對(duì)值權(quán)重較小的變量，優(yōu)選出回歸系數(shù)絕對(duì)值權(quán)重較大的變量，N次采樣后得到N個(gè)變量子集，依據(jù)交互驗(yàn)證選出交互驗(yàn)證均方根誤差（RMSECV）最小的變量子集，該子集所包含的變量即為最優(yōu)特征波長變量組合。

2.Random Frog算法

Random Frog是一種新的變量提取方法，是一種類似于可逆跳轉(zhuǎn)馬爾可夫鏈蒙特卡洛（RJMCMC）的算法，通過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。Random Frog與偏最小二乘回歸算法相結(jié)合，建模方法采用偏最小二乘回歸，模型中每個(gè)變量回歸系數(shù)的絕對(duì)值大小作為每次迭代過程中該變量是否被剔除的依據(jù)。