4.3.2 竞争自适应性重采样
竞争性自适应重加权采样法（Competitive Adapative Reweighted Sampling，CARS）（LI H, et al.，2009）源自达尔文的“适者生存”的进化理论，被用于选择光谱中的最能代表原始光谱特征的波长组合。CARS通过交叉验证选择N个变量子集，确定最低均方差值的子集，在每个单独的采样中，应用蒙特卡洛模型采样、指数递减函数、自适应再加权采样和最低均方差值来减少波长，以实现最优选择。CARS优化算法中，每一次根据响应式权重计算取样（Adapative Reweighted Sampling，ARS）保存PLS模型中回归系数平方根权重值比较大的点作为新的子集，除掉权值比较小的点，随后根据一个新的子集创建PLS模型，经过长时间的测算，挑选PLS模型互动认证均方根误差（RMSECV）最小子集里的波长作为特点波长（许童羽等，2022）。CARS算法的具体过程如下。
采用蒙特卡洛采样法，每一次任意从校准集中化挑选一定数量（一般为80%）的样板进到建模集，剩下的20%作为预测分析集创建PLS实体模型，蒙特卡洛的采样频次（N）要提前设置（路皓翔等，2021）。纪录每一次采样全过程PLS实体模型里的回归系数的绝对值权重值，|bi|为第i个变量的回归系数绝对值，wi为第i个变量的回归系数绝对值权重，m为每次采样中剩余的变量数。
利用指数衰减函数（Exponentially Decreasing Function，EDF）强行去除回归系数绝对值权重相对较小的波长（王翠秀等，2019）。在第i次基于MC采样建立PLS模型时，根据EDF得到保留的波长点的比例Ri为
式中 μ，k—— 常数，可以按照以下两种情况计算。
在一次采样并进行相应计算时，所有的波长都参与了建模分析，因此此时保留的波长点的比例为1。在最后一次采样在（第N次）完成并进行相应计算时，只剩下两个波长参与PLS建模，此时保留的波长点的比例为2/n，其中n是原始波长点数。由以上最初及最后一次采样的情况可知，μ和k的计算公式为
在每次采样时，都从上一次采样时的变量数中采用自适应加权采样（ARS）选择数量为Ri*n个的波长变量，进行PLS建模，计算RMSECV。
在N次采样完毕之后，CARS优化算法获得了N组备选的特点波长子集，及其相对应的RMSECV值，挑选RMSECV极小值对应的波长自变量子集为主要特征波长（王翠秀等，2019）。
竞争自适应重加权优化算法（CARS）是由自适应重加权采样（ARS）技术选择出PLS实体模型中相关系数平方根大一点的波长点，除掉权重值小一点波长点，利用互动认证挑选出RMSECV指最低子集，能够有效寻出最佳自变量组成。