近红外光谱数据高度线性相关且含有大量的冗余信息.通过选择重要的特征变量代替全谱变量,能够有效提高近红外模型的预测精度.本文将变量重要性融入到偏最小二乘回归中,提出了一种新的基于变量重要性的偏最小二乘特征变量筛选方法（VISPLS）,它是基于变量重要性的前向迭代算法.通过选择斯皮尔曼（Spearman）相关系数、肯德尔（Kendall）相关系数、选择性比（selectivityratio,SR）和投影变量重要性（variable importance in projection, VIP） 4个指标来度量近红外光谱变量的重要性,并用2个真实的近红外光谱数据集来评估VISPLS的性能.研究结果表明,与SpearmanPLS, KendallPLS和SRPLS这3种算法比较...
