1.一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其特征在于包括以下步骤：步骤S1、用X0表示光谱数据矩阵，y表示光谱对应的测量数据向量，设参与建模的样品总数为m，其对应的光谱变量数为p，初始化每个样品权重WS为1/m，并设定推进取样量、迭代次数T，稀疏偏最小二乘模型因子数n和稀疏参数γ，其中稀疏偏最小二乘模型因子数n设定与偏最小二乘方法一致，用蒙特卡罗交叉验证确定，稀疏参数通过10折交叉验证确定，样品权重是指被选择参与建模的样品的权重，推进取样量是建模样品数量占样品总数的比例；

步骤S2、将参与建模的样品总数m乘以推进取样量得选取样品数，按照轮盘赌方式选取与选取样品数一致的选取样品；

步骤S3、使用选取样品建立迭代次数为i时的稀疏偏最小二乘回归模型Mi，并计算各个光谱变量数p对应的回归系数，其具体包括：S3‑1：初始化回归系数b为p×1的0向量，令k＝1，X＝X0；

S3‑2：计算 其中T表示矩阵转置；

S3‑3：

S3‑4：更新变量集S＝{j,1≤j≤p,wj≠0}U{j,1≤j≤p,bj≠0}，其中wj表示第j个变量对应的权重，bj表示第j个变量对应的回归系数；

S3‑5：以现有变量集S，使用偏最小二乘算法，建立回归模型，计算出回归系数bs，X的光谱数据权重Ps；

T ‑1 T

S3‑6：计算Xs＝Xs(I‑Ps(PsPs) Ps)；

S3‑7：升级X，Xi＝Xs,j，i∈S，i与j要对应；

S3‑8：升级b，bi＝bs,j，i∈S，i与j要对应；

S3‑9：令k＝k+1，重复S3‑3‑S3‑8，直至k>n时执行S4步骤；

步骤S4、根据稀疏偏最小二乘回归模型Mi计算迭代次数为i时所有m个参与建模的样品的预测误差 其中，yk,i为迭代次数为i时第k个样品的化学成分的测量值，为迭代次数为i时第k个样品的采用稀疏偏最小二乘回归模型Mi得到的化学成分的预测值；

步骤S5、根据公式 计算稀疏偏最小二乘回归模型Mi的模型权重，其中 为模型损失函数，WSk,i为迭代次数为i时第k个样品的样品权重；

步骤S6、根据公式 计算迭代次数为i+1时所有m个建模样品的样品权重；

步骤S7、i＝i+1，重复S2‑S6，直至完成T次迭代，得到T个稀疏偏最小二乘回归模型及对应的模型权重；

步骤S8、对一个未知样品，利用T个稀疏偏最小二乘回归模型预测未知样品的化学成分，得到T个样品的化学成分的预测值yi，(i＝1,2,3,…,T)，并对yi进行升序排列，满足下式的第r个预测值作为最终的预测结果：即WM需要按照预测值yi的升序排序，依次增加 直至累计和刚好大于时对应的样品预测值，为该样品的化学成分的预测值。

2.根据权利要求1所述的一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其特征在于：设定推进取样量为50％，迭代次数T为100。

3.根据权利要求1所述的一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其特征在于：步骤S4中如果ek,i≥median(ei)+γr.MAD(ei)，则令ek,i＝0，其中MAD是测量值与中位值绝对偏差的中位值，γr是稳健参数。

4.根据权利要求1所述的一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其特征在于：所述稳健参数γr为4。

5.根据权利要求1所述的一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其特征在于：步骤S3的S3‑5中使用SIMPLS偏最小二乘算法计算回归稀疏和光谱数据权重。

6.根据权利要求1所述的一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其特征在于：所述蒙特卡洛交叉验证，10折交叉验证之前对样品的光谱变量进行标准化，所述标准化就是将每个光谱变量的值减去所有光谱变量的平均值，然后再除以其标准偏差。