高光谱波段选择方法之竞争性自适应重加权算法

对高光谱数据进行预处理后，就需要提取有效的波段信息。目前，常用的高光谱特征波长筛选方法有：连续投影算法（SPA）、竞争性自适应重加权算法（CARS）两种不同方法提取特征波段。本文对高光谱波段选择方法之竞争性自适应重加权算法做了介绍。

高光谱波段选择方法：

当前，针对高光谱数据进行处理，主要分为两个方面。首先，由于高光谱仪器采集的三维数据体积庞大，相邻波段高度相关且冗余，对光谱直接进行分析将带来更多的困难。针对高光谱数据体积庞大的相关问题，目前不少研究集中在高光谱数据降维，只保留对光谱数据具有代表性的光谱维度。

高光谱波段范围较广，数据量大，容易造成光谱数据冗余，导致数据分析和模型建立耗时费力。因而需要对光谱数据进行特征提取，剔除无效变量，以提高光谱数据分析与建模效率。常用的高光谱特征波长筛选方法有：连续投影算法（SPA）、竞争性自适应重加权算法（CARS）2种不同方法提取特征波段。SPA是一种前向迭代搜索方法，从一个波长开始，在每次迭代中加入一个新变量，直至所选变量数达到设定值。CARS的主导思想是达尔文的“适者生存”理论，结合蒙特卡洛采样与PLS模型回归系数进行特征变量筛选。

竞争性自适应重加权算法：

竞争性自适应重加权算法（CARS）是一种结合蒙特卡洛采样与PLS模型回归系数并用于数据挖掘和特征选择的先进算法，模仿了达尔文理论中的“适者生存”原则，旨在解决大规模数据集下特征选择的问题。CARS算法结合了竞争性学习和自适应加权的思想，通过对特征重要性的竞争性评估和自适应调整，保留PLS模型中回归系数绝对值权重较大的点作为新的子集，去掉权值较小的点，然后基于新的子集建立 PLS 模型，经过多次计算，实现了对数据的降维和特征优选。其核心思想如下：

1.通过竞争性学习机制从原始数据中选择最具代表性的特征。在这一过程中，特征之间相互竞争，以确定哪些特征最能够有效地区分不同的数据类别。

2.利用自适应加权的机制对选定的特征进行加权。这些权重根据特征的重要性和区分度进行调整，以确保在数据降维和分类过程中更好地利用这些特征。

3.根据加权特征的重要性，选择最具代表性的特征，并将它们用于数据的降维和分类任务。这有助于减少数据维度，提高分类效果，并提高算法的运行效率。

CARS算法能够提高模型的运行效率、根据特征的重要性进行自适应调整、适用于各种数据挖掘任务以及具有较高的准确性和鲁棒性等优点，为特征选择和数据降维提供了一种全新的解决方案。