偏最小二乘回归（PLSR）在光谱分析中的应用

一，PLSR概述

1.1 什么是PLSR？

偏最小二乘回归（Partial Least Squares Regression）是一种多变量统计分析方法，将光谱数据（X）与目标性质（Y）进行关联建模：

PLSR核心思想：
1. 降维：将大量波长变量压缩为少数潜变量
2. 相关：找到X与Y相关性最强的方向
3. 回归：建立潜变量与Y的关系

优势：
- 处理高维数据
- 处理共线性
- 抗噪声能力

1.2 为什么光谱分析需要PLSR？

光谱数据特点：
- 波长点数多（数百至数千）
- 波长间存在高度相关
- 存在噪声和干扰
- 目标性质与多个波长相关

传统方法局限：
- 单波长选择困难
- 多元回归多重共线性
- 维数灾难

二，PLSR原理

2.1 基本数学模型

PLSR模型：
X = T x P^T + E_X
Y = T x Q^T + E_Y

X：光谱数据矩阵（n×p）
Y：性质数据矩阵（n×q）
T：得分矩阵（n×a）
P：X载荷矩阵（p×a）
Q：Y载荷矩阵（q×a）
E：残差矩阵
a：主因子数

三，光谱预处理

3.1 常用预处理方法

四，模型建立

4.1 主因子数选择

选择方法：
1. 残差方差图
   - 拐点法

2. 交叉验证
   - leave-one-out
   - k-fold

3. 预测误差
   - RMSECV最小

原则：
- 因子数过少：欠拟合
- 因子数过多：过拟合

4.2 模型评价

评价指标：
1. 校正集
   - RMSEC：校正标准误差
   - R^2c：校正决定系数

2. 验证集
   - RMSEP：预测标准误差
   - R^2p：预测决定系数

五，PLSR在近红外的应用

5.1 食品分析

应用实例：
1. 水分测定
   - 波长：1400nm、1900nm
   - 精度：正负0.5%

2. 蛋白质测定
   - 波长：2050nm、2180nm
   - 精度：正负0.3%

3. 脂肪测定
   - 波长：1720nm、2300nm
   - 精度：正负0.5%

六，总结

PLSR要点：

作为专业的光谱仪生产厂家，辰昶仪器（choptics.com）为您提供完整的PLSR分析解决方案。

整理日期：2026年6月 | 来源：choptics.com