近红外(NIR)光谱一般具有较多的波长变量数, 对其直接或间接地进行变量选择是提高模型稳定性能及预测性能的关键。 最小角回归(LAR)是一种相对较新和有效的机器学习算法, 常用于进行回归分析和变量选择。 面向光谱建模应用, 提出一种LAR结合遗传偏最小二乘法(GA-PLS)的变量选择方法, 可有效筛选出少数特征波长点。 首先在全光谱区利用LAR消除变量间的共线性得到初筛波长点, 然后用GA-PLS对LAR筛选出的波长点进一步优选从而得到最终建模用的特征波长点。 为验证本文方法的有效性, 以药片和汽油的近红外光谱回归分析作为应用案例, 对原光谱进行预处理后, 采用该方法进行变量筛选, 然后分别建模其中的活性成分含量和C10含量。 结果显示, 在这两个应用中, 最终优化得到的特征波长点数均只需七个, 而两者的预测决定系数R2p分别达到0933 9和0951 9, 与全光谱、 无信息变量消除法(UVE)和连续投影算法(SPA)等方法相比, 特征波长点更少, 同时R2p和预测均方根误差RMSEP值更优。 因此, LAR结合GA-PLS, 能有效地从近红外光谱中选择出信息变量从而减少建模波数, 提高预测精度, 拥有较好的模型解释性。 该方法可为特定领域的专用光谱仪设计提供有效的波长筛选工具。

利用近红外光谱技术检测普洱茶中茶多酚的含量，首先通过遗传偏最小二乘法（GA-PLS）筛选出表征茶多酚含量的特征波数点，并进行主成分分析，然后建立极限学习机（ELM）预测模型。研究得到的最佳ELM预测模型涉及40个变量，主成分分析后以第1、第2主成分作为输入，以Sigmoidal函数为隐含层神经元激励函数，隐含层神经元个数确定为13。模型的交互验证均方根误差值、预测集均方根误差值和预测集相关系数R2分别为1.0109、1.6686和0.9705，预测性能明显优于全光谱偏最小二乘模型和遗传偏最小二乘模型。说明利用近红外光谱技术结合极限学习机和遗传偏最小二乘法可以很好地预测普洱茶中茶多酚的含量。

傅里叶变换中红外光谱谱区宽, 搜索空间大, 需要采用高效率和高质量的算法进行波长选择.敏感波段及其 组合的选择是简化分析模型和提高模型预测精度的关键技术之一.本研究以水稻孕穗期叶片干样的中红外光谱透 射率和叶片氮素含量为数据源, 通过协同偏最小二乘算法(siPLS)从宽谱区中初选出波段范围1583.3～992.2 cm -1 , 再采用迭代遗传算法(GA)从中选出了84个水稻叶片氮素含量预测的敏感波段.研究结果显示以此敏感波 段建立的偏最小二乘回归模型的预测均方根误差(RMSEP)和水稻叶片总氮含量的测量值与预测值之间的相关系 数分别为0.1186和0.9120, 该预测结果明显优于协同偏最小二乘法(siPLS)和光谱指数NFSA的预测结果, 说明傅 里叶变换红外光谱技术结合siPLS-GA-PLS算法能够实现水稻叶片氮素含量的预测