光谱数据的建模方法有哪些？光谱数据的建模方法

使用高光谱成像仪采集光谱数据后，需要对光谱数据进行筛选，剔除干扰和无用信息，最后选取感兴趣的光谱数据，进行模型建立，然后对样本进行定性与定量的分析。那么，光谱数据的建模方法有哪些？本文对光谱数据的建模方法做了介绍。

偏最小二乘（PLS）：

偏最小二乘法（PLS）是基于光谱数据中主要成分的逐步提取和变量的添加对多元数据进行统计，利用数学模型逐步检测其显著性，广泛应用在数学建模中。具有以下优点：

①计算时可以根据实验要求使用全部信息进行数据统计，也可以用部分信息进行统计；

②PLS模型在计算过程中，数据矩阵的分解和回归是交互同时计算的，得到的特征值向量直接与被测组分进行线性相关；

③PLS方法一般用于较复杂的数学模型分析中。

主成分回归（PCR）：

主成分回归（PCR）是在不丢失变量主要信息的基础上，选择维数最少的新变量来代替原始变量，达到降维目的一种多元统计分析方法。

PCR模型是由主成分分析和多元线性回归组成。主成分回归利用全谱或者部分光谱数据，计算载荷、向量；可以消除多元线性回归中的共线问题、变量数使用限制问题和噪音滤除问题。

最小二乘支持向量机（LS-SVM）：

LS-SVM模型是把已经选好的非线性向量映射到高维空间，然后进行超平面（最优决策函数）构造提取最优的分类，是一种结构风险最小的多元统计方法。该方法既可以将原始空间的线性进行分解，还可以对数据进行分类处理。

LS-SVM是对SVM的改进，是将SVM的二次规划进一步做了简化，可以通过样本建模集与待测样本集建立空间映射函数直接得出线性方程组的解，增强其使用性。