基于间隔策略的信息波长选择是近红外光谱分析中广泛应用的一种方法。针对传统算法忽略非线性因素的缺点,首次考虑将最小二乘支持向量机(least-squares support vector machine,LSSVM)方法应用于间隔选择策略,进而提出了一种新的波长选择方法iLSSVM(interval LSSVM)。该算法克服了传统间隔选择算法依赖于线性模型的缺陷,对存在较强非线性的光谱数据能够准确地选择最优信息区间,极大地减少建模变量并显著改善模型预测精度。应用两组业界标准的光谱数据来验证该算法的性能,并和传统方法进行了比较。实验结果表明,在两组数据集上该算法取得的标准预测偏差(root mean square error of prediction,RMSEP)分别比全谱PLS建模降低了20%和4%,比传统的间隔偏最小二乘算法(interval partial least-squares,iPLS)降低了28%和2%。
