多元标定中基于变量空间连续收缩的混合变量选择策略https://doi.org/10.1016/j.aca.2019.01.022 近红外光谱多元分析中的变量选择方法概述https://doi.org/10.1016/j.trac.2019.01.018 在本研究中，我们提出了一种基于变量空间连续收缩的混合变量选择策略，这是变量组合种群分析（VCPA）的核心思想。 基于VCPA的混合策略在第一步中不断地将变量空间从大到小收缩，并在修改后的VCPA的基础上进行优化。 然后，它采用迭代保留信息变量 (IRIV) 和遗传算法 (GA) 在第二步中进行进一步优化。 它充分利用了 VCPA、GA 和 IRIV，弥补了它们在变量数量多时的不足。 三个 NIR 数据集和三个变量选择方法，包括两种广泛使用的方法（竞争性自适应重加权采样、CARS 和遗传算法-区间偏最小二乘法、GA-iPLS）和一种混

变量（波长或特征）选择技术已成为分析具有大量变量和相对较少样本的数据集的关键步骤。 在这项研究中，提出了一种新的变量选择策略，即变量组合种群分析（VCPA）。 该策略由两个关键程序组成。 首先，采用指数递减函数（EDF），这是达尔文自然进化论“适者生存”的一个简单有效的原则，用于确定变量的数量，以保持并不断缩小变量空间。 其次，在每次 EDF 运行中，二元矩阵抽样 (BMS) 策略为每个变量提供相同的选择机会并生成不同的变量组合，用于生成子集总体以构建子模型总体。 然后，采用模型总体分析（MPA）来寻找交叉验证均方根误差（RMSECV）较低的变量子集。 计算每个变量出现在最好的 10% 子模型中的频率。 频率越高，变量越重要。 使用三个真实的 NIR 数据集研究了所提出程序的性能 结果表明，与四种高性能变量选择方法相比，VCPA 是一种很好的变量选择策略：遗传算法 - 偏最小二乘法 (GA

光谱信息的特征选择，通过云永欢等提出的VCPA来进行光谱信息的特征选择（文件中包含了VCPA，IRIV，VCPA-GA以及VCPA-IRIV等光谱的变量选择算法）。In this study, we propose a hybrid variable selection strategy based on the continuous shrinkage of variable space which is the core idea of variable combination population analysis (VCPA). The VCPA-based hybrid strategy continuously shrinks the variable space from big to small and optimizes it based on modified VCPA in the first step. It then employs iteratively retaining informative variables (IRIV) and a genetic algorithm (GA) to carry out further optimization in the second step. It takes full advantage of VCPA, GA, and IRIV, and makes up for their drawbacks in the face of high numbers of variables. Three NIR datasets and three variable selection methods including two widely-used methods (competitive adaptive reweighted sampling, CARS and genetic algorithm-interval partial least squares, GA–iPLS) and one hybrid method (variable importance in projection coupled with genetic algorithm, VIP–GA) were used to investigate the improvement of VCPA-based hybrid strategy.