近日，中国科学院合肥物质院智能所光谱智能感知团队提出了一种新型基于神经网络的变量选择算法VSNN，用于光谱检测应用中非线性模型的变量选择。相关研究成果已在分析化学领域期刊Analytica Chimica Acta上发表。
随着光谱分析检测技术和光谱仪器的发展，光谱技术已广泛应用于诸多领域。在光谱建模的定性定量分析中，从复杂的高维光谱数据中提取特征信息可降低噪声和无关变量的干扰，同时提高模型的可解释性和预测能力。基于偏最小二乘的变量选择算法已有较多研究，然而，偏最小二乘算法在处理非线性数据时表现欠佳，而神经网络算法是建模非线性数据的理想选择。
为实现神经网络的变量选择，科研团队基于神经网络可解释性研究，设计了评估神经网络模型变量重要性的评价向量，包括敏感性向量、梯度向量和权重梯度向量，并基于群体分析提出了VSNN算法。该算法将神经网络视为黑盒模型，可应用于多种神经网络架构，有效提取光谱中的关键信息。研究团队在玉米、药片、肉类等公开数据集上，将VSNN与多种高性能变量选择算法进行了性能对比。结果表明，VSNN算法能高效选择变量并显著提高模型的预测能力。
张鹏飞博士和徐琢频博士为第一作者，王琦研究员为通讯作者。本工作得到国家自然科学基金、安徽省重大专项等项目的支持。
原文链接: https://doi.org/10.1016/j.aca.2024.343291
神经网络变量选择算法（VSNN）
