特征波长报告编写规范.docxVIP

特征波长报告编写规范

特征波长报告编写规范

一（1）特征波长筛选算法的参数登记与可追溯性要求在特征波长报告编写过程中，筛选算法的参数登记是确保不同实验批次之间具备可比性的首要前提。报告必须逐条记录波长筛选所采用的算法名称、版本号、运行环境以及全部超参数配置，不得仅以采用CARS算法这类模糊表述代替完整信息。对于连续投影法（SPA），需明确最大保留变量数、初始波长集合、蒙特卡洛采样次数、内循环判定准则以及所使用的校正集划分方式（如Kennard-Stone、SPXY或随机划分的比例）；对于竞争性自适应重加权采样法（CARS），应完整登记指数衰减率、每次迭代保留变量比例的上下限、交叉验证折数、所采用的回归基模型（PLSR/SVM/ELM等）及其潜变量数或核参数、最佳子集判定所依赖的RMSECV曲线极值点；对于遗传算法（GA），种群规模、进化代数、交叉概率、变异概率、适应度函数形式、精英保留策略均须以表格形式固定下来；对于无信息变量消除法（UVE）、MC-UVE、RandomFrog、Boruta等稳定性选择类方法，则需注明采样次数、变量稳定性阈值、显著性水平α以及变量重要性评分的归一化方式。所有随机数种子（randomseed）必须显式给出，若使用MATLAB、Pythonscikit-learn、Rpls等平台，应标注包名与版本，例如scikit-learn1.4.