1.基于集成L1正则化的红外光谱波长选择方法，其特征在于：首先利用Bootstrap抽样方法生成若干个子数据集，其次针对每个子数据集采用无信息变量消除法进行预处理，然后利用L1正则化方法对每个子数据集进行特征选择，将特征选择问题转换为稀疏优化问题并进行计算，最后采用投票法对各个子数据集的波长选择结果进行集成，从而筛选出最佳的特征波长组合；具体步骤为：步骤1、利用Bootstrap抽样方法对原始数据集进行有放回地重采样，从而生成M个子数据集{S1,S2,…,SM}；

步骤2、针对每个子数据集，利用无信息变量消除法对光谱进行预处理，从而剔除其中贡献在噪声水平的波长点；

步骤3、针对每个子数据集，利用L1正则化方法，对经过无信息变量消除法预处理后的波长点进行特征选择，即将波长筛选问题转化为以下l1范数稀疏优化问题计算稀疏解结果：其中， 为利用光谱仪扫描出的红外光谱信号； 为对应的待分析组分含量；b为经过无信息变量消除法预处理后的波长点回归系数；η为L1正则化算法中控制稀疏度的参数；为计算出的最优解；

步骤4、采用投票法对M个子数据集{S1,S2,…,SM}的波长选择结果进行集成，从而筛选出最佳的特征波长组合。

2.根据权利要求1所述的一种基于集成L1正则化的红外光谱波长选择方法，其特征在于，所述步骤2中无信息变量消除法对光谱进行预处理具体为：(1)产生一个与原光谱矩阵维度相同的随机噪声变量矩阵，并与原光谱矩阵合并在一起，形成一个扩展矩阵(2)采用交叉验证PLS方法建立待分析组分含量Y与光谱信号 之间的回归模型：y＝b0+b1x1+…+bpxp+bp+1xp+1+...+b2px2p(3)根据下式计算各个变量对待分析组分含量Y的贡献值：

上式中，mean(bj)和std(bj)分别表示第j个变量的回归系数的均值和标准差，可以看出，sj越大，表明第j个变量的回归系数的稳定性越高，意味着对待分析组分含量Y的贡献值越重要，当sj小于一定的阈值时，可以认为对应的变量贡献很少，即称为“无信息变量”，可以删除；

(4)通过下式中给出的阈值，对所有的回归系数进行处理，将其中小于阈值的变量删除：cutoff＝k×max(abs(snoise))

其中，k为需要调整的参数，snoise为随机噪声变量的贡献值，abs(snoise)为随机噪声变量的贡献值的绝对值。

3.根据权利要求1所述的一种基于集成L1正则化的红外光谱波长选择方法，其特征在于：所述步骤3中计算的稀疏解结果需要转换为二进制序列方式，即一个长度为P的二进制序列，其中1表示对应的波长点被选中，0表示未被选中。