高光谱数据降维和高光谱数据预测模型构建方法有哪些？

高光谱仪在信息采集的过程中存在光散射、检测物图像不规则以及随机噪声等不利因素，会使光谱曲线出现不平滑，信噪比较低等问题，所以在进行相关数据分析之前需要进行相应的处理。那么，高光谱数据降维和高光谱数据预测模型构建方法有哪些？下文做了介绍。

高光谱数据降维方法：

由于高光谱采集的数据块通常含有几百甚至上千个波段的光谱信息，这就造成了过高维度的光谱信息和数据较大的冗余性，不仅使得计算过程繁琐，而且还会降低无损检测模型的准确性，因此在建模前对高光谱数据块进行降维处理是进行数据分析的重要一步。

相关研究表明，当前应用较多的降维处理方法主要有以下几种：主成分分析法、独立成分分析法、遗传算法以及最小噪声分离法等，通过相应的降维算法处理后，大量的冗余信息被去除，并且特征波段和图像被提取，这些对于简化计算过程和提高模型的准确性发挥着重要的作用。

高光谱数据预测模型构建方法：

通过对降维处理后的图谱数据进行建模，可将图谱信息和待测品质关联起来，目前常用的一些化学计量学建模方法有偏最小二乘法、支持向量机、人工神经网络、多元线性回归法，线性判别分析，Fisher判别分析等算法，通常的做法是应用多种建模方法，最后比较不同建模方法建模集和预测集结果来选出最优模型，因此建模方法不是固定的，而是根据不同的数据类型选用不同的建模算法，不匹配的建模方法通常会对结果准确性会产生较大的影响。

而对于降维后的图像维，通常采用相应的数字图像处理技术对图像进行分割处理，从处理后的图像中提取特征参数建立模型，进而对被测样本表面缺陷或残留物进行检测和识别。