该文档属于类型a，即报告了一项原创研究。以下是针对该研究的学术报告：
主要作者及机构
该研究的主要作者包括Xiaohong Wu、Shupeng Zeng、Haijun Fu、Bin Wu、Haoxiang Zhou和Chunxia Dai。他们分别来自江苏大学电气与信息工程学院、江苏省农业装备与智能高技术重点实验室、滁州职业技术学院信息工程系以及浙江大学台州研究院电气与控制工程系。该研究于2023年3月30日发表在期刊《Food Chemistry: X》上，文章编号为100666。
学术背景
该研究的主要科学领域是食品化学和光谱分析技术，特别是近红外光谱（Near-Infrared Spectroscopy, NIR）在食品无损检测中的应用。玉米是全球最重要的粮食作物之一，其蛋白质含量是衡量营养价值的重要指标。传统的蛋白质检测方法通常耗时且具有破坏性，因此开发一种快速、准确且无损的检测方法具有重要意义。近年来，近红外光谱技术因其高效性和非破坏性在食品分析中得到了广泛应用。然而，近红外光谱数据的高维性和高共线性问题使得特征波长选择成为关键挑战。因此，本研究提出了一种新的特征波长选择算法——锚定竞争性自适应重加权采样（Anchor Competitive Adaptive Reweighted Sampling, A-CARS），旨在提高玉米蛋白质含量检测的准确性和效率。
研究流程
研究流程主要包括以下几个步骤：
1. 数据集准备：研究使用了包含80个玉米样本的近红外光谱数据集，光谱波长范围为1100-2498 nm，共700个波长点。数据集通过Kennard-Stone方法分为校准集（60个样本）和预测集（20个样本）。
2. 特征波长选择算法开发：研究提出了一种新的特征波长选择算法A-CARS。该算法结合了蒙特卡洛协同区间偏最小二乘法（Monte Carlo Synergy Interval Partial Least Squares, MC-SiPLS）和竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）。MC-SiPLS用于筛选包含特征变量的子区间，而CARS则进一步在这些子区间内筛选变量。
3. 模型构建与比较：研究将A-CARS-PLS（A-CARS结合偏最小二乘法）与其他六种方法进行了比较，包括三种特征变量选择方法（GA-PLS、Random Frog PLS和CARS-PLS）和两种区间偏最小二乘法（SiPLS和MWPLS）。
4. 模型性能评估：使用校准集的均方根误差交叉验证（RMSECV）、决定系数（R²c）和偏差（Bias）以及预测集的均方根误差预测（RMSEP）、决定系数（R²p）和偏差（Bias）来评估模型性能。
5. 结果分析与讨论：研究详细分析了不同算法的性能，并讨论了A-CARS在特征波长选择中的优势。
主要结果
1. 特征波长选择：A-CARS将原始的700维变量减少到23个特征变量，显著简化了模型。
2. 模型性能：A-CARS-PLS在校准集和预测集上的表现均优于其他方法，具体结果为：校准集的RMSECV = 0.0336，R²c = 0.9951；预测集的RMSEP = 0.0688，R²p = 0.9820。
3. 特征波长分布：A-CARS选择的特征波长主要集中在1700-1900 nm和2000-2400 nm范围内，这些波长与蛋白质的复杂结构特征（如C-H、O-H和N-H键的弯曲或拉伸）密切相关。
4. 线性回归方程：基于23个特征波长，研究建立了一个线性回归方程，用于预测玉米蛋白质含量。该方程为：
Cprotein = 11.4004 + 100.9316λ1688 - 70.6394λ1780 - 73.3481λ1782 - 64.2671λ1784 + 104.0654λ1866 - 31.6764λ1896 + 76.9295λ2046 - 64.7287λ2092 - 73.7524λ2130 - 91.3508λ2132 - 76.8726λ2134 - 55.9868λ2136 - 56.0655λ2138 + 96.481λ2156 + 83.993λ2160 + 100.2916λ2162 + 106.8907λ2166 + 97.9237λ2168 + 107.0513λ2170 - 135.2116λ2214 - 127.7042λ2224 + 87.4578λ2274 - 42.1423λ2402。
结论
该研究提出了一种新的特征波长选择算法A-CARS，并成功应用于玉米蛋白质含量的无损检测。A-CARS-PLS在校准集和预测集上的表现均优于其他方法，证明了其在特征波长选择中的高效性和准确性。此外，研究还建立了一个基于23个特征波长的线性回归方程，为玉米蛋白质含量的快速检测提供了重要工具。该方法的成功应用不仅提高了检测效率，还降低了检测成本，具有重要的科学价值和实际应用价值。
研究亮点
1. 创新性算法：A-CARS结合了MC-SiPLS和CARS的优势，显著提高了特征波长选择的准确性和效率。
2. 高效模型：A-CARS-PLS在校准集和预测集上的表现均优于其他方法，证明了其在玉米蛋白质含量检测中的高效性。
3. 实际应用价值：研究建立的线性回归方程为玉米蛋白质含量的快速无损检测提供了重要工具，具有广泛的应用前景。
其他有价值的内容
研究还详细讨论了不同算法的优缺点，并提出了未来研究的方向，例如将A-CARS与便携式近红外设备结合，以实现大规模无损检测。此外，研究还提供了完整的数据集和算法代码，为其他研究者提供了重要的参考资源。