1、現代光度分析儀器的出現為我們快速的提供數以千計甚至萬計的波長。因為這些明顯的特征，這些化學樣品包含了高維的和一些線性的數據變量，相比較眾多的數據變量，與因變量相關的數據變量個數有限。這樣會影響模型的預測能力或是造成過擬合現象。在光度分析中，消除不必要的冗余的背景或是噪聲干擾是必要的。所做波長選擇不僅有利于模型的穩(wěn)健性，還可以更好的解釋他們之間的線性組成。
　　 在多組分分析中，特別是結構相似的物質，由于各組分光譜嚴重重疊以及組分

2、之間的相互干擾，需要建立穩(wěn)健的預測模型。偏最小二乘常用來解決多重相關性問題，并且是一種有效的最大利用有效信息的方法。然而，大量的實驗結果表明，即使應用偏最小二乘方法，消除光譜中不利于模型建立的無關信息的變量仍是非常重要的，波長選擇有利于提高偏最小二乘建模的預測能力，缺乏變量選擇會破壞其穩(wěn)健性。
　　 本論文提出了改進的粒子群優(yōu)化算法用于波長選擇，并將其用于鄰、間、對硝基苯酚和頭孢菌素類物質的含量測定。結果表明，經過粒子群優(yōu)化波長

3、選擇后的結果要優(yōu)于全波長建模，具有模型穩(wěn)健和可靠性。
　　 在多組分分析時組分間的相互作用存在非線性特征，線性方法不能得到滿意的結果。由于是小樣本的機器學習問題，采用人工神經網絡需要選取相關自變量而受一定限制，易于產生過擬合問題，上述兩種情況都會產生誤差。在本論文中，我們試用最近新發(fā)展的，既能限制過擬合又能擬合非線性數據的支持向量機。并將結果與偏最小二乘算法進行比較，結果表明支持向量機算法的預報誤差較小，表明支持向量回歸是一種多