基于CART回归树的LIBS特征变量选择方法研究

摘要

激光诱导击穿光谱技术(LIBS)用于检测时,由于谱线多且复杂,存在许多冗余的信息,这些都会对定量分析造成影响.因此,提取有效的特征变量在LIBS的定量分析中具有非常重要的意义.对CaCl2溶液中的Ca元素进行光谱特征选择方法分析,对比单变量模型、偏最小二乘回归和CART回归树定标模型的准确度和稳定性.针对水体表面的波动性较大,光谱稳定性差,同时光谱受基体效应和自吸收效应影响等问题,首先采用单变量模型得到的拟合系数(R2)仅有0.9332,训练均方根误差(RMSEC)、预测均方根误差(RMSEP)和平均相对误差(ARE)分别为0.0192 Wt％,0.0177 Wt％ 和11.604％.经偏最小二乘回归优化后,模型R2提高到0.9753,RMSEC,RMSEP和ARE分别降低到0.0108 Wt％,0.013 Wt％ 和7.49％.为了进一步提高定量分析的准确度,建立CART回归树定标模型.该方法在构建树模型时,通过平方误差最小化准则,从复杂的光谱信息中选取最优的特征变量组合做分类决策,从而建立Ca元素的定标曲线.通过CART回归树的变量选择,特征变量个数从100个减少到6个,变量的压缩率达到了94％,显著降低了无关谱线的干扰,回归树模型的相关系数R2,RMSEC,RMSEP和ARE分别为0.9975,0.0035 Wt％,0.0061 Wt％ 和2.500％.相较于传统的单变量模型与偏最小二乘回归,CART回归树模型具有更高的精度、更小的误差.通过对特征变量的有效筛选,剔除无关信号的干扰,显著降低了基体效应和自吸收效应对LIBS定量分析的影响,提高了定量分析的准确度和稳定性.