竞争性自适应重加权算法（CARS）是一种高效的高维数据变量选择方法，广泛应用于光谱分析、过程监控等领域，能够精准筛选出真正有效的特征变量。本文将直接提供MATLAB实现的核心代码，并结合XRF光谱分析测试案例，深入探讨算法优化与典型应用场景。
一、CARS算法核心代码实现
function [bestVars, bestRMSE] = CARS(X, y, numSamples, numCV, maxVars)
% 输入参数说明：
% X: 输入数据矩阵 (样本数 × 变量数)
% y: 响应变量向量 (样本数 × 1)
% numSamples: 蒙特卡洛采样迭代次数
% numCV: 交叉验证折数
% maxVars: 最大主成分数
[nSamples, nVars] = size(X);
A = min([nSamples, maxVars]); % 确定最大主成分数
% 初始化权重矩阵与误差数组
W = zeros(nVars, numSamples);
RMSECV = zeros(numSamples, 1);
% 主循环：蒙特卡洛采样与自适应重加权
for iter = 1:numSamples
% 蒙特卡洛采样，80% 数据用于训练
idx = randperm(nSamples);
trainIdx = idx(1:round(0.8*nSamples));
testIdx = idx(round(0.8*nSamples)+1:end);
% 偏最小二乘回归建模
[Xcal, Xval, ycal, yval] = splitData(X, y, trainIdx, testIdx);
[B, ~, ~, ~] = plsregress(Xcal, ycal, A);
% 计算回归系数的权重
w = abs(B(1:end-1, end));
W(:, iter) = w / sum(w); % 归一化权重
% 自适应重加权采样：保留权重最高的变量
keepRatio = 0.3; % 初始保留比例
numKeep = round(keepRatio * nVars);
[~, sortedIdx] = sort(w, 'descend');
selectedVars = sortedIdx(1:numKeep);
% 交叉验证评估当前子集
cvModel = fitrpls(X(:,selectedVars), y, 'CVPartition', cvpartition(nSamples,'KFold',numCV));
RMSECV(iter) = kfoldLoss(cvModel);
end
% 选择交叉验证误差最小的变量子集
[~, bestIter] = min(RMSECV);
bestVars = find(W(:, bestIter) > 0);
bestRMSE = RMSECV(bestIter);
end
%% 辅助函数：数据分割
function [Xtrain, Xtest, ytrain, ytest] = splitData(X, y, trainIdx, testIdx)
Xtrain = X(trainIdx, :);
Xtest = X(testIdx, :);
ytrain = y(trainIdx);
ytest = y(testIdx);
end二、XRF光谱分析测试案例
% 加载示例数据：土壤重金属检测光谱
load('soil_spectrum.mat'); % 包含光谱矩阵X和重金属含量向量y
% 设置算法参数
numSamples = 200; % 蒙特卡洛采样次数
numCV = 5; % 交叉验证折数
maxVars = 50; % 最大主成分数
% 运行CARS变量选择算法
[bestVars, bestRMSE] = CARS(X, y, numSamples, numCV, maxVars);
% 结果可视化：变量选择频率与模型性能
figure;
subplot(2,1,1);
stem(bestVars, 'r', 'LineWidth', 1.5);
xlabel('变量索引'); ylabel('选择次数');
title('CARS变量选择频率分布');
subplot(2,1,2);
plot(1:numSamples, bestRMSE*ones(numSamples,1), 'b-o');
xlabel('迭代次数'); ylabel('交叉验证均方根误差');
title('最优模型性能随迭代变化');三、算法优化技巧
动态权重调整策略
引入指数衰减函数动态优化变量保留比例，提升收敛速度与稳定性：
mu = (nVars/2)^(1/(numSamples-1));
k = log(nVars/(2)) / (numSamples-1);
keepRatio = mu * exp(-k*iter);并行计算加速蒙特卡洛采样
使用parfor并行循环大幅缩短运行时间：
parfor iter = 1:numSamples
% 并行执行采样、建模与评估
endGPU加速处理大规模数据
将数据移至GPU设备，利用矩阵运算加速：
X_gpu = gpuArray(X);
% 后续计算直接使用gpuArray调用GPU加速四、典型应用场景
高光谱图像特征提取
% 高光谱图像分析示例
hyperspectralData = load('hypercube.mat');
[selectedBands, ~] = CARS(hyperspectralData, labels, 300, 10, 20);工业过程监控变量优化
% 过程关键变量筛选示例
processVars = load('process_data.mat');
[keyVars, rmse] = CARS(processVars.X, processVars.y, 200, 5, 15);
