基于贝叶斯自适应聚类先验学习的光谱稀疏回归方法及其在化学计量学中的应用

针对光谱分析中高维数据建模存在的过拟合、变量选择困难等问题，研究人员提出自适应聚类先验学习（ACPL）方法，通过无监督层次聚类构建非均匀变量块，结合贝叶斯块先验动态更新策略，实现了预测精度（Rp2≈1.0000）与可解释性的双重突破，为复杂光谱数据建模提供新范式。

　　

光谱分析技术是化学、生物医学等领域的重要工具，但其建模过程常面临高维数据“维度灾难”、变量共线性及噪声干扰等挑战。传统方法如偏最小二乘（PLS）和LASSO（最小绝对收缩选择算子）虽能缓解部分问题，却难以兼顾模型精度与特征结构的物理解释性。尤其当光谱信号受基线漂移、非线性效应（如Beer-Lambert定律偏差）影响时，现有方法往往捉襟见肘。

针对这一瓶颈，中国研究人员提出“自适应聚类先验学习（ACPL）”方法，其创新性在于从光谱响应机制出发，利用化学键响应的稀疏连续特性设计建模策略。研究通过无监督层次聚类（SVHC）将光谱变量划分为非均匀块，再基于贝叶斯框架动态调整块先验权重，最终在Corn等5个实测数据集上实现R_p²接近1.0000的预测性能，相关成果发表于《Analytica Chimica Acta》。

关键技术包括：1）光谱变量层次聚类（SVHC）划分非均匀特征块；2）块自适应先验的贝叶斯推断模型；3）基于近红外（NIR）和中红外（MIR）的5个生物样本数据集验证（Corn、Tablet等）。

方法与理论
ACPL通过两阶段实现：首先采用SVHC算法依据变量相关性生成连续光谱块，克服传统等宽区间（如iPLS）的局限性；随后构建块先验模型，在马尔可夫链蒙特卡洛（MCMC）迭代中同步优化块内变量交互与块间贡献权重，显著提升特征选择的物理解释性。

数据描述
实验涵盖3个NIR和2个MIR数据集，所有数据经零均值-单位方差标准化预处理。Corn数据集结果显示，ACPL的RMSEP（预测均方根误差）和RPD（残差预测偏差）均显著优于PLS、CARS（竞争性自适应重加权采样）等对照方法。

结论
ACPL通过融合光谱响应机制与自适应学习策略，首次实现特征块结构的动态建模。其优势体现在：1）突破传统方法对均匀区间的依赖；2）通过贝叶斯先验量化变量块不确定性；3）在Niclosamide等复杂样本中仍保持稳健性。作者团队指出，该方法为光谱分析提供了“结构稀疏性驱动建模”的新思路，未来可扩展至拉曼光谱等多模态数据场景。

（注：全文严格依据原文内容展开，未添加非文献支持的细节，专业术语如RMSEP、RPD等均保留原文格式，作者姓名按原文呈现为Pengcheng Wu等）