本文档属于类型a，即报告了一项单一原创研究。以下是基于文档内容的学术报告：

研究作者及机构
本研究的主要作者为Kewei Huan、Xiao Chen、Xuyao Song和Wei Dong，分别来自长春理工大学物理学院、北京航空技术研究中心和中国计量科学研究院热工所。该研究于2021年10月20日发表在期刊《Infrared Physics & Technology》上，论文标题为《Variable selection in near-infrared spectra: Application to quantitative non-destructive determination of protein content in wheat》。

学术背景
本研究属于近红外光谱分析领域，主要关注小麦中蛋白质含量的无损定量检测技术。小麦作为重要的粮食作物，其蛋白质含量是评估其品质的关键指标。传统的蛋白质检测方法通常具有破坏性且耗时较长，而近红外光谱技术（Near Infrared Spectroscopy, NIRS）因其快速、无损的特点，逐渐成为农业和食品工程领域的重要分析工具。然而，近红外光谱数据通常包含大量冗余信息，如何从中提取有效特征波长以简化模型并提高预测精度，是当前研究的热点问题。本研究旨在通过多种变量选择方法优化近红外光谱的特征波长，并建立小麦蛋白质含量的定量预测模型，为小麦品质的无损检测提供理论支持。

研究流程
本研究包括以下几个主要步骤：

1. 样本准备与蛋白质含量测定
   研究共准备了66个小麦样本，样本由北京东方信息技术发展中心提供。使用Kjeldahl方法测定样本的蛋白质含量，并通过因子5.83将氮含量转换为蛋白质含量。样本分为校准集（44个样本）和预测集（22个样本），采用Kennard-Stone算法进行数据集划分。

2. 近红外光谱采集
   使用MCS611光纤光谱仪（Carl Zeiss, Germany）采集小麦样本的近红外反射光谱，光谱范围为950~1690 nm。每个样本扫描10次，取平均光谱作为最终数据。光源为卤钨灯（Osram 64258 12V20W），光谱采集时样品厚度为18 mm，采集前使用标准白板（PTFE）进行校准。

3. 变量选择方法
   研究采用了四种变量选择方法：竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）、变量组合群体分析（Variable Combination Population Analysis, VCPA）、蒙特卡洛变量组合群体分析（Monte Carlo Variable Combination Population Analysis, MCVCPA）和自动加权变量组合群体分析（Automatic Weighting Variable Combination Population Analysis, AWVCPA）。这些方法通过优化特征波长，消除光谱中的无关信息和干扰变量，从而简化模型并提高预测精度。

4. 定量模型构建与评估
   基于部分最小二乘法（Partial Least Squares, PLS）构建定量预测模型，分别结合CARS、VCPA、MCVCPA和AWVCPA方法建立CARS-PLS、VCPA-PLS、MCVCPA-PLS和AWVCPA-PLS模型。通过决定系数（R²）、预测均方根误差（RMSEP）、残差预测偏差（RPD）和误差范围比（RER）等指标评估模型性能。

主要结果
1. 特征波长选择结果
- CARS方法选择了25个特征波长，主要分布在1120 nm和1200 nm附近。
- VCPA方法选择了11个特征波长，分布较为离散。
- MCVCPA方法选择了17个特征波长，包含更多有效信息。
- AWVCPA方法选择了10个特征波长，主要集中在1190 nm附近，并消除了大量无关变量。

1. 模型性能比较
   
   • AWVCPA-PLS模型表现最佳，其R²为0.9753，RMSEP为0.0934，RPD为10.15，RER为38.54，显示出较高的预测精度和鲁棒性。
     
   • 与全光谱PLS模型相比，AWVCPA-PLS模型的特征波长数量从256个减少到10个，变量数量减少了96%，预测精度提高了81%。
     
   • 与其他变量选择方法相比，AWVCPA-PLS模型在预测精度和稳定性方面均表现出显著优势。

结论
本研究通过AWVCPA方法优化了近红外光谱的特征波长，成功建立了小麦蛋白质含量的定量预测模型。AWVCPA-PLS模型在预测精度、泛化性能和鲁棒性方面均表现出色，为小麦品质的无损检测提供了重要的理论依据和技术支持。此外，AWVCPA方法弥补了CARS、VCPA和MCVCPA的不足，进一步简化了定量预测模型，提高了预测精度。该研究为近红外光谱技术在农业和食品工程领域的应用提供了新的思路。

研究亮点
1. 重要发现
- AWVCPA方法在特征波长选择中表现出色，能够有效消除无关变量，简化模型并提高预测精度。
- AWVCPA-PLS模型在小麦蛋白质含量的定量预测中表现出极高的精度和鲁棒性。

1. 方法创新

   • 本研究提出了AWVCPA方法，结合频率向量（Fre）和回归系数向量（Reg）评估变量的重要性，进一步提高了变量选择的稳定性和准确性。
     
   • 通过多种变量选择方法的比较，验证了AWVCPA方法的优越性。

2. 研究对象的特殊性

   • 本研究聚焦于小麦蛋白质含量的无损检测，为农业和食品工程领域提供了一种快速、高效的分析方法。

其他有价值的内容
本研究还探讨了近红外光谱中与蛋白质吸收相关的特征波长区域，如1006 nm附近的N-H伸缩振动和1203 nm附近的C-H伸缩振动，为后续研究提供了重要的光谱学参考。此外，研究结果可为其他农作物的无损检测技术开发提供借鉴。

以上为基于文档内容的学术报告，详细介绍了研究的背景、流程、结果、结论及其科学价值和应用价值。