基于随机蛙跳算法的高维数据特征变量选择工具

资 源 简 介

本项目完整实现了一种基于随机蛙跳算法（Random Frog, RF）的高效特征变量选择工具，专门用于解决高维数据（如近红外光谱、基因数据、质谱数据）中的关键特征提取问题。该算法本质上是一种基于可逆跳跃马尔科夫链蒙特卡洛（RJMCMC）原理的群体智能算法。程序主要功能包括：1. 完整的算法流程实现，包含初始化、候选变量子集的生成、基于偏最小二乘（PLS）的模型评估以及接受/拒绝准则的判断；2. 迭代寻优机制，通过设定N次迭代（通常为10000次以上），模拟蛙跳过程在模型空间中搜索最优变量组合；3. 变量重要性评估，自动统计每个变量在所有迭代中被选中的频率，以此计算变量的选择概率（Selection Probability, SP）；4. 阈值筛选功能，根据SP值的大小对变量进行排序，协助用户剔除无信息变量和干扰噪声；5. 结果可视化模块，程序运行结束后自动绘制变量选择概率分布图，直观展示特征波长或关键变量的位置。代码封装良好，包含示例数据加载逻辑，用户只需替换输入矩阵X和Y即可直接运行，是化学计量学及机器学习领域进行数据降维的强力工具。

详 情 说 明

Random Frog 算法特征变量选择 MATLAB 程序

项目简介

本项目完整实现了一种基于随机蛙跳算法（Random Frog, RF）的高效特征变量选择工具。该算法主要面向化学计量学、生物信息学及机器学习领域，专门用于解决高维数据（如近红外光谱、基因表达数据、质谱数据）中的关键特征提取问题。

算法本质上基于可逆跳跃马尔科夫链蒙特卡洛（RJMCMC）原理。程序通过模拟“蛙跳”过程，在庞大的模型空间中进行迭代搜索，利用偏最小二乘（PLS）交叉验证误差作为准则，筛选出与目标属性（Y）最相关的变量子集（X）。程序采用模块化设计，无缝集成了数据模拟、核心算法迭代、模型评估及结果可视化功能。

功能特性

• RJMCMC 迭代搜索：实现了标准的随机蛙跳迭代机制，支持变量子集的跨维度跳跃（增加、减少或替换变量）。
• 高效 PLS 评估：内置快速 PLS 算法（SIMPLS）配合 K-Fold 交叉验证，用于评估变量子集的预测能力（RMSECV）。
• 智能概率接受：采用 Metropolis-Hastings 准则，不仅接受更优解，也以一定概率接受劣解，有效避免陷入局部最优。
• 变量选择概率（SP）计算：能够追踪每个变量在 N 次迭代中被选中的频率，最终计算选择概率（Selection Probability, SP）作为变量重要性的量化指标。
• 自动化阈值筛选：基于统计学方法（均值 + 标准差）自动推荐 Top 关键变量。
• 全流程可视化：提供双图表展示，包括每次迭代的 RMSE 收敛轨迹和最终变量的 SP 分布图。
• 模拟数据生成：自带高维光谱数据生成器，包含特定波段的特征峰及背景噪声，方便算法验证和学习。

系统要求

• MATLAB R2016b 或更高版本
• 不需要额外的工具箱（核心逻辑包括 Cross-validation 和 PLS 回归均通过原生 MATLAB 代码手动实现，不依赖 Statistics and Machine Learning Toolbox 中的特定高层函数）。

使用方法

1. 准备数据：程序默认运行会调用内部的 generate_dummy_data 函数生成模拟数据。若需处理自己的数据，只需在代码的“数据准备”部分，将矩阵 X（样本数 × 变量数）和向量 Y（样本数 × 1）替换为实际数据即可。
2. 设置参数：

* N_iterations：迭代次数，默认为 2000，建议实际应用中设置为 10000 以上以保证收敛。 * nLV：PLS 建模的主成分数（Latent Variables）。 * Q：初始化时随机选取的变量个数。

1. 运行程序：直接运行主脚本，程序将在控制台实时输出迭代进度。
2. 查看结果：

* 控制台：输出运行时间及按 SP 值排序的前 10 个关键变量索引。 * 图形窗口：展示变量选择概率（SP）分布柱状图（含真实特征位置对比）以及模型误差（RMSE）随迭代次数的变化曲线。

核心算法与代码实现逻辑

本项目的主程序（main）通过多个子函数协同工作，具体实现逻辑如下：

1. 数据模拟与预处理

程序首先清空环境并设置随机种子（rng(12345)）以确保结果可复现。随后调用数据生成模块，构建一个 100 样本 × 200 变量的矩阵。数据模拟了真实光谱特征，包括：

• 两个关键特征波段（索引 50-60 和 120-130），其峰高与 Y 值呈线性相关。
• 正弦背景基线和无关的随机干扰峰。
• 高斯白噪声。

2. 随机蛙跳核心逻辑

random_frog_algo 函数是整个项目的核心，执行流程严格遵循 Random Frog 原理：

• 初始化：随机选择 Q 个变量构建初始变量子集 $V_0$，并计算其 RMSECV。
• 候选集生成（扰动机制）：在每次迭代中，基于正态分布生成一个新的子集大小 $N^*$。根据 $N^*$ 与当前子集大小 $N_{curr}$ 的关系，执行以下三种操作之一产生候选集 $V^*$：

* 替换（Replace）：当 $N^* = N_{curr}$ 时，随机移除部分当前变量并从剩余变量池中添加等量新变量。 * 添加（Add）：当 $N^* > N_{curr}$ 时，从剩余变量池中随机添加 ($N^* - N_{curr}$) 个变量。 * 删除（Remove）：当 $N^* < N_{curr}$ 时，从当前子集中随机移除 ($N_{curr} - N^*$) 个变量。

• 接受/拒绝准则：计算候选集 $V^*$ 的 RMSECV。

* 如果候选模型误差更小，直接接受新子集。 * 如果候选模型误差更大，计算接受概率 $P = exp(-(RMSE_{new} - RMSE_{old}) / (0.1 times RMSE_{old}))$，并与随机数比较决定是否接受。这一机制模拟了模拟退火或 MCMC 的热平衡过程。

• 频率统计：在每次迭代后，更新当前被接受子集中所有变量的计数器 var_counter。最终计算 $SP = text{被选中次数} / text{总迭代次数}$。

3. PLS 建模与交叉验证

为了保证数千次迭代的运行效率，程序实现了轻量级的评估函数：

• compute_plscv_fast：实现了 K-Fold（默认 5 折）交叉验证。它手动对数据进行划分和中心化处理，并调用快速回归算法，返回均方根误差（RMSE）。
• simpls_reg：这是一种简化版的 SIMPLS 算法实现。它不计算所有的 PLS 参数，仅快速计算回归系数向量 B。该函数包含正交化过程和潜在变量（Latent Variables）提取逻辑，用于在交叉验证的训练步中建立回归模型。

4. 结果可视化与输出

程序运行结束后自动执行分析：

• SP 分布图：使用柱状图展示 200 个变量的 SP 值。代码中还特意用红色标记了数据生成时的“真实特征”区间，方便用户直观验证算法是否找对了变量。
• 收敛轨迹图：绘制 rmse_history，展示算法随迭代次数增加，模型误差如何波动并趋于稳定。
• 变量推荐：在命令行自动计算阈值（均值 + 1倍标准差），并筛选输出 SP 值最高的 Top 10 变量列表。

总结

本代码不仅是一个功能完备的特征选择工具，也是理解 RJMCMC 和群体智能算法在化学计量学中应用的极佳范例。通过其高度封装的结构，用户可以轻松将其集成到现有的数据分析流程中。