史云穎 李敬巖 褚小立

摘 要 多元校正模型與光譜分析技術(shù)結(jié)合可完成對(duì)物質(zhì)的快速分析，但儀器、附件更換或溫度等外界環(huán)境條件改變時(shí)，會(huì)導(dǎo)致已有的模型“失效”，重建模型需要耗費(fèi)大量的時(shí)間和成本。模型傳遞技術(shù)的出現(xiàn)和發(fā)展較好地解決了這一問(wèn)題，通過(guò)校正光譜或選擇變量等手段增強(qiáng)模型的適應(yīng)性及穩(wěn)健性。對(duì)模型的推廣使用極為重要。本文綜述了近年來(lái)新發(fā)展的一些模型傳遞方法及其相關(guān)應(yīng)用，對(duì)傳統(tǒng)模型傳遞方法、新方法以及新策略進(jìn)行介紹，評(píng)價(jià)了各算法的使用情況及特點(diǎn)。

關(guān)鍵詞 多元校正; 模型傳遞; 儀器標(biāo)準(zhǔn)化; 近紅外光譜; 評(píng)述

[HK][FQ（32，X，DY-W][CD15]

2018-10-09收稿;2018-12-26接受

本文系國(guó)家自然科學(xué)基金項(xiàng)目（No. 21365008）和國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（No. 2017YFB0306501）資助

* E-mail： chuxl.ripp@sinopec.com

1 引 言

多元校正模型是樣品的目標(biāo)值與其光譜參數(shù)之間建立的一種函數(shù)關(guān)系[1]。通常情況下，通過(guò)多元校正模型與近紅外光譜（Near infra-red spectroscopy，NIR）結(jié)合可以達(dá)到定性或定量分析的目的。近年來(lái)，該分析技術(shù)已被廣泛應(yīng)用于農(nóng)產(chǎn)品及石油化工等行業(yè)。然而，在通常條件下建立的多元校正模型常針對(duì)一臺(tái)儀器。隨著儀器的老化、更換或儀器測(cè)量條件等改變，會(huì)導(dǎo)致之前建立的模型無(wú)法使用或預(yù)測(cè)結(jié)果產(chǎn)生較大偏差。解決這類(lèi)問(wèn)題的過(guò)程稱(chēng)之為模型傳遞[1]。一般認(rèn)為量測(cè)信號(hào)是樣品本征信號(hào)與外部影響信號(hào)的復(fù)合[2]，不同儀器上的量測(cè)信號(hào)間差異是由外部影響信號(hào)引起的，通過(guò)模型傳遞可以消除外部干擾因素對(duì)量測(cè)信號(hào)的影響。確保原模型能夠繼續(xù)使用，從而減少重建模型所需要的大量人力與財(cái)力。

之前已有文獻(xiàn)對(duì)模型傳遞方法進(jìn)行了總結(jié)。Fearn[2]從校正對(duì)象的角度對(duì)模型傳遞進(jìn)行分類(lèi)，并對(duì)不同傳遞方法的適用情況進(jìn)行了概述。褚小立等[3]從增強(qiáng)模型適應(yīng)性和提高模型穩(wěn)健性?xún)蓚€(gè)方面對(duì)模型傳遞方法進(jìn)行了歸納。Feudale等[4]將模型傳遞定義為狹義的標(biāo)準(zhǔn)化方法，分為模型系數(shù)標(biāo)準(zhǔn)化、光譜響應(yīng)值標(biāo)準(zhǔn)化和預(yù)測(cè)值標(biāo)準(zhǔn)化三類(lèi)標(biāo)準(zhǔn)化方法，同時(shí)， 將模型更新、全局建模等視為模型傳遞的一些策略，對(duì)各類(lèi)方法的有效性和適用性進(jìn)行了評(píng)估。近期，張進(jìn)等[5]從算法的角度進(jìn)行分類(lèi)，對(duì)近年來(lái)出現(xiàn)的一些新算法進(jìn)行了梳理。本文在已有文獻(xiàn)的基礎(chǔ)上，對(duì)近年出現(xiàn)的一些模型傳遞新方法、新策略進(jìn)行了評(píng)述，并著重介紹這些方法的應(yīng)用。

2 模型傳遞算法與應(yīng)用

2.1 傳統(tǒng)模型傳遞方法

早期出現(xiàn)的模型傳遞方法包括直接校正法（Direct standardization，DS）[6]、分段直接校正法（Piecewise direct standardization，PDS）[6]、Shenk's算法[7]、斜率偏差校正法（Slope/bias， SBC）[8]。這些方法也被稱(chēng)為標(biāo)準(zhǔn)化方法，其中DS、PDS和Shenk's算法通過(guò)使用標(biāo)準(zhǔn)樣本集S對(duì)從機(jī)光譜Ss進(jìn)行校正，使得校正后的從機(jī)光譜Ss與主機(jī)光譜Sm達(dá)到最大相似度，進(jìn)而利用主機(jī)模型對(duì)其進(jìn)行性質(zhì)值預(yù)測(cè)。SBC算法則是一種目標(biāo)值校正方法，通過(guò)建立主機(jī)與從機(jī)目標(biāo)值間的數(shù)學(xué)關(guān)系對(duì)未知樣本從機(jī)目標(biāo)值進(jìn)行校正。這些算法出現(xiàn)時(shí)間較早，發(fā)展和應(yīng)用較為成熟，在模型傳遞過(guò)程中被廣泛應(yīng)用。

近年來(lái)，DS和PDS方法在各領(lǐng)域應(yīng)用廣泛。在果品檢測(cè)方面，PDS算法被證明可用于消除光照變化對(duì)水果NIR糖度分析模型的干擾影響[9]。在電工制造業(yè)中，可利用DS和PDS對(duì)控制硅片鍍銅過(guò)程的原位伏安傳感器進(jìn)行溫度補(bǔ)償[10]。在生物能源研究中，已經(jīng)證實(shí)可通過(guò)PDS方法將畜禽排泄物厭氧消化過(guò)程的在線(xiàn)過(guò)程分析NIR光譜轉(zhuǎn)移至實(shí)驗(yàn)室儀器進(jìn)行監(jiān)控[11]。在高光譜遙感技術(shù)中，發(fā)現(xiàn)可以使用DS方法降低土壤濕度差異對(duì)土壤有機(jī)質(zhì)Vis-NIR模型預(yù)測(cè)能力的影響[12]。除了對(duì)多元定量模型的傳遞外，PDS和DS方法對(duì)于分類(lèi)判別模型也具有良好的傳遞能力，Milanez等[13]使用DS、PDS方法實(shí)現(xiàn)了熒光光譜和數(shù)字成像識(shí)別橄欖油摻假判別模型在兩臺(tái)儀器間的傳遞; 吉納玉等[14]發(fā)現(xiàn)可以利用DS和PDS方法實(shí)現(xiàn)同一組分分析模型在不同物種間的傳遞。

基于目標(biāo)值校正的SBC算法較為簡(jiǎn)便，一般適用于校正線(xiàn)性?xún)x器偏差[8]。吉納玉等[14]發(fā)現(xiàn)，通過(guò)SBC算法可以實(shí)現(xiàn)單一水果可溶性固形物NIR分析模型在相近種類(lèi)水果間的傳遞。Shenk's算法是一種單變量校正方法，分別對(duì)波長(zhǎng)和吸光度進(jìn)行校正。Qin等[15]比較了SBC、PDS和Shenk's算法對(duì)煙草總糖NIR模型在粉末狀與非均勻薄片狀間的傳遞效果，結(jié)果表明，只有Shenk's算法傳遞后的預(yù)測(cè)結(jié)果符合要求。

FIR算法[16]是一種無(wú)標(biāo)樣模型方法，具有操作簡(jiǎn)便的特點(diǎn)，但窗口大小對(duì)模型傳遞效果影響較大。宋海燕等[17] 通過(guò)對(duì)土壤有機(jī)質(zhì)NIR預(yù)測(cè)模型在不同采集批次間的傳遞研究發(fā)現(xiàn)，當(dāng)以從機(jī)預(yù)測(cè)值相關(guān)系數(shù)和預(yù)測(cè)標(biāo)準(zhǔn)差為依據(jù)選擇合適的窗口大小時(shí)，F(xiàn)IR算法可取得良好的傳遞效果。

2.2 近年來(lái)的新算法

21世紀(jì)初期，NIR分析技術(shù)在農(nóng)業(yè)、石化、制藥行業(yè)中的應(yīng)用得到快速發(fā)展[9～14]，光譜間的模型傳遞問(wèn)題再次成為了制約其發(fā)展的主要因素。傳統(tǒng)PDS方法容易受到高斯噪聲影響、傳遞非線(xiàn)性光譜差異能力較差等缺陷逐漸顯現(xiàn)，一些研究學(xué)者開(kāi)發(fā)出一些新方法。本文針對(duì)2000年以來(lái)開(kāi)發(fā)的模型傳遞方法及其應(yīng)用進(jìn)行概述，按照模型傳遞方法的基本原理差異將其分為三類(lèi)。

2.2.1 基于因子分解的方法 主成分分析（Principal component analysis，PCA）是一種多元統(tǒng)計(jì)分析技術(shù)，其中心思想是將原變量進(jìn)行轉(zhuǎn)換，使少數(shù)幾個(gè)新變量的線(xiàn)性組合代替原變量[18]?；赑CA的模型轉(zhuǎn)移方法通過(guò)提取光譜特征信息，利用光譜特征構(gòu)造具有低秩特征的投影矩陣，從而達(dá)到模型轉(zhuǎn)移的目的。與傳統(tǒng)傳遞方法相比，這類(lèi)方法具有降低數(shù)據(jù)維度、減少噪聲、降低過(guò)擬合現(xiàn)象等特點(diǎn)。目前已成為一類(lèi)較成熟的傳遞算法。

王艷斌等[19]在2005年基于PCA技術(shù)提出了一種目標(biāo)因子分析（Calibration transfer based on target factor analysis，TTFA）模型傳遞方法，該方法為模型傳遞過(guò)程提供了一個(gè)新方向。具體操作步驟包含：

（1）對(duì)主機(jī)的標(biāo)樣光譜進(jìn)行主成分分析， 得到得分和載荷矩陣：Xm=Tm×PTm;

（2）同樣對(duì)從機(jī)的標(biāo)樣光譜進(jìn)行主成分分析， 得到載荷和得分矩陣： Xs=Ts×PTs;

（3）建立主機(jī)與從機(jī)得分陣數(shù)學(xué)關(guān)系：Tm=T×Ts;

通過(guò)廣義逆運(yùn)算求解變換陣：T=Tm×TTs×（Ts×TTs）

（4）則任意從機(jī)光譜可以表示為： Xs=Xm×Pm×T+×PTs。

分離出傳遞矩陣F=Pm×T+×PTs， 通過(guò)虛擬標(biāo)樣和真實(shí)標(biāo)樣的模型傳遞效果將TTFA與PDS方法作比較。結(jié)果表明，TTFA所需樣本數(shù)較多，但在校正光譜吸光度非線(xiàn)性變化方面更具優(yōu)勢(shì)。

典型相關(guān)性分析（Canonical correlation analysis，CCA）技術(shù)是一種通過(guò)在主機(jī)和從機(jī)傳遞樣本集中進(jìn)行典型性分析找到規(guī)范向量，經(jīng)過(guò)規(guī)范向量間的轉(zhuǎn)化完成模型傳遞的方法[20]。CCA的基本屬性決定該方法的使用需要足夠的傳遞樣本數(shù)，研究結(jié)果表明，在傳遞樣本充足的情況下，CCA方法對(duì)煙草氮含量[20]、谷物水分[21]、藥物有效成分[22]等NIR分析模型在不同型號(hào)儀器間的傳遞效果優(yōu)于PDS。光譜回歸（Spectral regression，SR）是一種將數(shù)據(jù)映射到低維框架中進(jìn)行轉(zhuǎn)換的方法，與PCA、CCA等子空間學(xué)習(xí)方法相比，該技術(shù)避免了稠密矩陣特征值分解的過(guò)程，大大提高了運(yùn)算效率。Peng等[23]將SR用于藥片和玉米NIR光譜的傳遞研究，證實(shí)了該算法的有效性。

2011年，Du等[24]提出了一種光譜空間模型傳遞法（Spectral space transformation，SST），通過(guò)將主機(jī)和從機(jī)測(cè)得的標(biāo)準(zhǔn)集光譜X1、 X2結(jié)合，得到光譜陣Xcomb=[X1，X2]，對(duì)其進(jìn)行因子分解：

Xcomb=Us，Un∑s∑nVs，Vn=TsPT1，PT2+E

其中，下標(biāo)s、n分別表示光譜中的信號(hào)與噪聲，通過(guò)與朗伯比爾定律Xcomb=CsST1，ST2+E進(jìn)行比較可得： CST1=TsPT1，CST2=TsPT2，從而利用該函數(shù)關(guān)系對(duì)從機(jī)測(cè)試光譜Xtest進(jìn)行轉(zhuǎn)換：

xtrans=xtest+xtestPT2+PT1-xtestPT2+PT2

轉(zhuǎn)換矩陣 F=I+PT2+PT1-PT2，與其它因子分析方法相比，SST算法結(jié)構(gòu)簡(jiǎn)單，在較低的標(biāo)準(zhǔn)樣本數(shù)下仍能保持良好的預(yù)測(cè)結(jié)果。吳進(jìn)枝等[25]通過(guò)SST算法將煙葉粉末化學(xué)組分的離線(xiàn)NIR預(yù)測(cè)模型傳遞為該組分的在線(xiàn)預(yù)測(cè)模型，實(shí)現(xiàn)了煙絲煙堿和總糖質(zhì)量的在線(xiàn)監(jiān)測(cè)。Liu等[26]在SST的基礎(chǔ)上提出交替三線(xiàn)性分解法（Alternating trilinear decomposition，ATLD），將3臺(tái)儀器上得到的三維數(shù)據(jù)矩陣分解為樣品濃度A、光譜B、儀器效應(yīng)C矩陣，利用其C矩陣建立不同儀器間的光譜差異關(guān)系。對(duì)玉米油含量及煙草氮含量NIR模型在3臺(tái)儀器間的傳遞結(jié)果表明， 該方法的預(yù)測(cè)準(zhǔn)確性與PDS、SST相當(dāng)，該方法為多儀器間模型傳遞提供了一種新思路。

2.2.2 基于機(jī)器學(xué)習(xí)的方法 由于傳遞光譜對(duì)象間經(jīng)常出現(xiàn)吸光度偏差、波長(zhǎng)偏移以及譜峰寬度不一致等問(wèn)題，儀器間可能存在非線(xiàn)性關(guān)系。而PDS、CCA等方法本質(zhì)上仍屬于建立儀器間線(xiàn)性相關(guān)關(guān)系的傳遞方法[27]，對(duì)于儀器間非線(xiàn)性差異校正存在傳遞效果不理想情況。近年來(lái)， 隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，一些機(jī)器學(xué)習(xí)方法被用于解決這一問(wèn)題。

支持向量機(jī)（Support vector machine ， SVM）是20 世紀(jì)末出現(xiàn)的一種新型模式識(shí)別方法， 在解決小樣本、非線(xiàn)性的問(wèn)題上具有優(yōu)勢(shì)[14]。趙龍蓮等[28]在2008年提出一種移動(dòng)窗口SVM方法用于模型傳遞研究（Support vector machine regression，SVR），具體操作步驟如圖1所示。與PDS方法類(lèi)似，該方法在從機(jī)i波長(zhǎng)點(diǎn)附近取一個(gè)窗口，利用SVM建立該窗口吸光度矩陣與主機(jī)i波長(zhǎng)點(diǎn)處吸光度矩陣間的回歸模型，移動(dòng)主機(jī)波長(zhǎng)點(diǎn)i及從機(jī)對(duì)應(yīng)窗口，求出每個(gè)波長(zhǎng)點(diǎn)處的傳遞參數(shù)，建立傳遞矩陣。研究表明， 該方法可成功用于兩臺(tái)儀器間玉米粉末樣本的NIR模型傳遞，傳遞后的預(yù)測(cè)誤差符合要求。

極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）是Huang等[29]提出的一種前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方案，具有學(xué)習(xí)速度快，易于操作和人為干預(yù)少等優(yōu)點(diǎn)，可以顯著降低主機(jī)和從機(jī)間的系統(tǒng)差異。極限學(xué)習(xí)機(jī)自編碼（Extreme learning machine auto-encoder，TEAM）是ELM中的一種特例，用輸出層數(shù)據(jù)代替輸入層，選擇隱含層中權(quán)重與偏差相互正交的節(jié)點(diǎn)。Chen等[27]提出將TEAM用于NIR光譜模型傳遞，用3個(gè)公開(kāi)的NIR光譜數(shù)據(jù)集比較了TEAM、PDS、CCA的傳遞效果，證明TEAM在預(yù)測(cè)結(jié)果和穩(wěn)定性方面均優(yōu)于上述其它方法。

隨機(jī)森林是一種噪聲容忍度較高且穩(wěn)定性較好的深度學(xué)習(xí)算法，孔清清等[30]提出利用隨機(jī)森林結(jié)合博弈論進(jìn)行特征變量選擇，建立穩(wěn)健性較高的煙葉產(chǎn)地模式識(shí)別模型，與SVM和全光譜判別模型相比，該方法對(duì)煙葉產(chǎn)地識(shí)別成功率最高。

2.2.3 其它方法 楊輝華等[31]認(rèn)為，不同波長(zhǎng)點(diǎn)處的吸光度相對(duì)獨(dú)立，利用在主機(jī)與從機(jī)相同波長(zhǎng)點(diǎn)處建立了一元線(xiàn)性回歸函數(shù)（Simple linear regression direct standardization，SLRDS）進(jìn)行模型傳遞。該方法解決了不同儀器間光譜差異的局部不等性問(wèn)題，對(duì)玉米樣本[31]及蘋(píng)果中可溶性固形物含量的NIR光譜傳遞[32]結(jié)果表明，SLRDS技術(shù)在消除儀器間光譜差異、提高模型精度方面均優(yōu)于PDS、SBC及Shenk' s算法。隨后，Galvo等[33]引入判別條件對(duì)一元線(xiàn)性回歸函數(shù)的系數(shù)進(jìn)行約束，通過(guò)對(duì)汽油辛烷值含量NIR光譜分析模型的傳遞研究，發(fā)現(xiàn)此技術(shù)可以顯著提高模型預(yù)測(cè)精度; 同時(shí)，指出該方法尤其適用于濾光片等產(chǎn)生隔離波長(zhǎng)點(diǎn)類(lèi)型的儀器，解決了PDS無(wú)法傳遞隔離波長(zhǎng)點(diǎn)的問(wèn)題。

普魯克分析（Procrustes analysis，PA）是一種分析形狀分布的統(tǒng)計(jì)方法，通過(guò)旋轉(zhuǎn)、平移和縮放對(duì)兩個(gè)形狀進(jìn)行歸一化處理。Li等[34]研究表明，可以利用PA進(jìn)行原油密度、總酸值的MIR定量模型實(shí)現(xiàn)不同型號(hào)儀器間的傳遞。

Chen等[35]提出了一種載荷空間標(biāo)準(zhǔn)化（Loading space standardization，LSS）新型模型傳遞方法，用于消除溫度變化對(duì)NIR校正模型定量分析結(jié)果的影響。史新珍等[36]將LSS用于卷煙生產(chǎn)過(guò)程中的在線(xiàn)監(jiān)控，結(jié)果令人滿(mǎn)意。

2017年， Folch-Fortuny等[37]從另一個(gè)角度出發(fā)，將模型傳遞看作從機(jī)光譜的數(shù)據(jù)遺失問(wèn)題，利用修剪得分回歸（Trimmed scores regression，TSR）和組合Y值偏最小二乘回歸（Joint-Y partial least squares regression，JYPLS）作為最大似然估計(jì)-主成分分析（Maximum-likelyhood-PCA）重建遺失數(shù)據(jù)的迭代計(jì)算方法。通過(guò)對(duì)汽油性質(zhì)的NIR光譜模型傳遞研究表明，這項(xiàng)技術(shù)傳遞后的預(yù)測(cè)值遠(yuǎn)高于PDS，接近于子集重建模型， 同時(shí)，該技術(shù)也可用于不同分辨率條件下的光譜傳遞。

3 提升模型傳遞效果的策略

通過(guò)選擇合適的預(yù)處理方法、穩(wěn)健的波長(zhǎng)段以及代表性更強(qiáng)的標(biāo)準(zhǔn)樣本，可以顯著提高模型傳遞方法的能力。當(dāng)光譜差異較小時(shí)，通過(guò)這些策略建立的穩(wěn)健性模型，可以獲得優(yōu)于PDS等模型傳遞方法的效果。

3.1 基于光譜預(yù)處理策略

光譜預(yù)處理一般是指利用導(dǎo)數(shù)，平滑，多元散射校正（Multiplicative scatter correction，MSC）等方法消除光譜中的散射效應(yīng)以及儀器偏差等影響，從而達(dá)到移除光譜中吸光度差異、提升模型穩(wěn)健性以及可傳遞性的目的。

Watari等[38]發(fā)現(xiàn)使用MSC預(yù)處理后建立的熔融狀態(tài)下無(wú)規(guī)聚丙烯和塊狀聚丙烯中乙烯含量的NIR光譜模型穩(wěn)健性強(qiáng)，具有溫度補(bǔ)償?shù)淖饔谩iang等[39]提出使用SG一階導(dǎo)平滑預(yù)處理方法對(duì)PDS進(jìn)行改進(jìn)。通過(guò)對(duì)不同儀器以及同一儀器不同分辨率下乙烯-醋酸乙烯共聚物中醋酸乙烯的NIR分析模型進(jìn)行傳遞發(fā)現(xiàn)， SG一階導(dǎo)預(yù)處理方法優(yōu)于WT技術(shù)。Liu等[40]將利用秸稈熱值NIR預(yù)測(cè)模型比較了SBC、光譜差異法（Difference spectrum）以及局部中心化（Local centering，LC）預(yù)處理方法在消除溫度和儀器附件干擾方面的效果，證實(shí)LC預(yù)處理方法對(duì)于消除系統(tǒng)化光譜差異的效果最優(yōu)。

通過(guò)將光譜投影到與干擾因素正交的空間中可達(dá)到穩(wěn)健性建模的目的。按照選取干擾因素子空間不同，這些技術(shù)包括正交空間回歸（Orthogonal regression， OSR）、外部參數(shù)正交化（External parameter orthogonalisation， EPO）、正交投影（Transfer by orthogonal projection， TOP）、動(dòng)態(tài)正交投影（Dynamic orthogonal projection， DOP）和正交移除干擾法（Error removal by orthogonal subtraction， EROS）。與DS、PDS方法相比，這些方法將待測(cè)量及外部干擾因素信息考慮在內(nèi)，能夠更好地去除光譜信息中干擾因素的影響，可以作為對(duì)傳統(tǒng)方法進(jìn)行改進(jìn)的預(yù)處理手段，或作為一種穩(wěn)健的建模方法。

正交信號(hào)校正（OSC）是一種基于目標(biāo)值矩陣參與的光譜預(yù)處理方法，將光譜分解后，僅去除與待測(cè)量無(wú)關(guān)的光譜信息。賈一飛等[41]將DOSC作為SBC方法的預(yù)處理手段，用于金銀花水提和醇沉制劑過(guò)程不同批次間的模型傳遞，使預(yù)測(cè)準(zhǔn)確度得到提升。Lin等[42]提出利用虛擬標(biāo)準(zhǔn)樣本集（Virtual standard samples，VSS）結(jié)合OSC方法建立穩(wěn)健性模型，對(duì)藥片活性組分NIR分析模型的傳遞結(jié)果表明，VSS-OSC方法傳遞后的預(yù)測(cè)準(zhǔn)確度優(yōu)于PDS，且無(wú)需標(biāo)準(zhǔn)樣本，傳遞過(guò)程更為簡(jiǎn)便。王安冬等[43]將OSR穩(wěn)健性建模成功用于不同樣本批次間金銀花在線(xiàn)水提過(guò)程綠原酸含量NIR分析模型傳遞。

外部參數(shù)正交化（EPO）通過(guò)將原始光譜投影到主機(jī)和從機(jī)差異光譜的正交空間中， 去除外部干擾因素的影響。在消除土壤有機(jī)碳模型的水份干擾影響[44]及水果糖度模型的溫度干擾影響方面均取得有效成果。Preys等[45]將OSC與EPO方法結(jié)合，解決了OSC沒(méi)有考慮外部干擾影響及EPO在外部因素對(duì)目標(biāo)值影響過(guò)高時(shí)預(yù)測(cè)性能大幅降低的問(wèn)題。Nouri等[46]證明TOP算法可用于實(shí)驗(yàn)室土壤數(shù)據(jù)庫(kù)和機(jī)載高光譜土壤圖像間的傳遞。Zeaiter等[47]通過(guò)將校正過(guò)程嵌入模型對(duì)TOP方法進(jìn)行改進(jìn)，提出動(dòng)態(tài)正交投影（DOP）多元校正模型維護(hù)方法，通過(guò)對(duì)監(jiān)控酒精發(fā)酵過(guò)程的NIR光譜模型證實(shí)了DOP在批次及溫度干擾影響下對(duì)模型的維護(hù)效果良好。

Zhu等[48]將光譜重復(fù)測(cè)量中的可變性結(jié)構(gòu)視為 “干擾空間”，通過(guò)PCA識(shí)別該空間，將原始光譜投影到與之正交的子空間中建立穩(wěn)健性模型，提出投影移除誤差（EROS）提高模型穩(wěn)健性的方法。通過(guò)對(duì)臨床研究結(jié)腸病變?cè)\斷模型的預(yù)測(cè)準(zhǔn)確性證明了該技術(shù)的可行性。

隨著信號(hào)處理技術(shù)的發(fā)展，小波轉(zhuǎn)換技術(shù)（Wavelet transformation，WT）作為一種預(yù)處理手段被廣泛應(yīng)用于模型傳遞過(guò)程。WT技術(shù)通過(guò)將時(shí)域譜轉(zhuǎn)化為頻域譜，依據(jù)信息和噪聲組分頻率分布不同特點(diǎn)，丟棄無(wú)用頻譜，保留目標(biāo)頻譜，具有同時(shí)進(jìn)行扣基和濾噪的突出優(yōu)點(diǎn)。Tan等[49]利用WT將光譜重構(gòu)，然后使用DS/PDS分別對(duì)重構(gòu)后的低頻逼近譜和高頻細(xì)節(jié)譜進(jìn)行傳遞，解決了DS/PDS在不同頻域內(nèi)穩(wěn)健性不一致的問(wèn)題。Yoon[50]和田高友[51]等將壓縮小波系數(shù)作為預(yù)處理手段分別對(duì)DS和PDS算法進(jìn)行改進(jìn)，通過(guò)對(duì)苯含量、軍用柴油NIR模型的傳遞研究表明該技術(shù)可減少建模、提高校正的處理速度。Bin等[52]將WT與CCA結(jié)合，使CCA方法傳遞非線(xiàn)性光譜差異的能力得到了進(jìn)一步提升。Du等[53]使用離散小波變換（Diverse wavelet transform，DWT）作為預(yù)處理手段， 在3臺(tái)儀器間建立煙草中主要化學(xué)成分的NIR模型，結(jié)果表明，該技術(shù)可顯著提高模型的轉(zhuǎn)移能力。Wu等[54]通過(guò)研究乙醇定量模型證實(shí)了DWT技術(shù)可作為模型的有效降噪工具。

3.2 優(yōu)化穩(wěn)健模型參數(shù)

影響模型傳遞效果的參數(shù)通常包括樣本代表性以及建模所用的波長(zhǎng)范圍。通過(guò)選擇可以覆蓋光譜變異范圍廣的代表性樣本，以及受外界因素干擾較小的波長(zhǎng)范圍，可以提高模型傳遞方法的能力。

標(biāo)準(zhǔn)樣本集的確定對(duì)NIR模型的穩(wěn)健性至關(guān)重要，一般認(rèn)為理想的建模樣本應(yīng)滿(mǎn)足：（1）在濃度范圍內(nèi)應(yīng)覆蓋全部未來(lái)預(yù)測(cè)樣本; （2）應(yīng)將未來(lái)預(yù)測(cè)樣本的物理和化學(xué)性質(zhì)變化考慮在內(nèi)， 并在樣本空間均勻分布。常見(jiàn)的樣本篩選法包括KS（Kennard-Stone）和SPXY（Sample set partitioning based on joint X-Y distance）方法。其中KS方法依據(jù)光譜向量歐式距離最遠(yuǎn)原則選出分散度最高的標(biāo)準(zhǔn)樣本集，SPXY在KS的基礎(chǔ)上同時(shí)考慮光譜和目標(biāo)值信息選出標(biāo)準(zhǔn)樣本集。2016年，Liang等[55]提出Rank方法， 通過(guò)樣本目標(biāo)值排列后分割區(qū)間， 對(duì)傳統(tǒng)KS方法進(jìn)行了改進(jìn)，利用煙草中糖苷和生物堿含量NIR模型比較了KS-PDS與Rank-KS-PDS的傳遞效果，結(jié)果表明，同等傳遞效果下， Rank-KS方法可減少所需標(biāo)準(zhǔn)樣本數(shù)。Sun等[56]將Rank方法與SPXY結(jié)合，用于乙醇沉淀測(cè)量血清總蛋白含量的NIR模型在不同批次及儀器間的傳遞研究，結(jié)果表明，與Rank-KS相比，Rank-SPXY在提高傳遞集與驗(yàn)證集的樣本相似度方面更具優(yōu)勢(shì)。

通過(guò)選擇穩(wěn)健性較高、代表性較好的波長(zhǎng)點(diǎn)建模，也可提高所建模型的穩(wěn)健能力。王菊香等[57]利用樣品性質(zhì)信息，選擇代表性波長(zhǎng)點(diǎn)建模對(duì)DS算法進(jìn)行了改進(jìn)，對(duì)航空煤油NIR分析模型儀器間的傳遞研究表明，該方法可有效提高轉(zhuǎn)移后的預(yù)測(cè)結(jié)果。張曉羽等[58]在2014年采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（Competitive adaptive reweighted sampling，CARS）法選出對(duì)測(cè)樣參數(shù)不敏感的穩(wěn)健波長(zhǎng)變量建立模型，對(duì)谷物NIR分析模型在不同儀器間的傳遞表明SCARS方法所建模型的穩(wěn)健性?xún)?yōu)于OSC預(yù)處理手段。吉納玉等[59]利用無(wú)信息變量消除法聯(lián)合連續(xù)投影算法 （UVE-SPA）選擇特征波長(zhǎng)，實(shí)現(xiàn)了數(shù)據(jù)的降維，提高了模型的穩(wěn)定性; 同時(shí)證明該方法對(duì)儀器間的非線(xiàn)性差異傳遞效果良好。倪力軍等[60]提出對(duì)儀器間光譜信號(hào)比值進(jìn)行分析篩選波長(zhǎng)，選出儀器間一致性較好且樣本間差異較大的光譜特征波長(zhǎng)，通過(guò)對(duì)黃芩樣本中黃芩苷含量NIR預(yù)測(cè)模型研究，表明該方法建立的模型預(yù)測(cè)效果與 PDS 轉(zhuǎn)移效果相當(dāng)。

此外，也有一些文獻(xiàn)指出可以通過(guò)對(duì)模型參數(shù)或模型轉(zhuǎn)移算法參數(shù)進(jìn)行優(yōu)化， 以提高模型預(yù)測(cè)能力。曹玉婷等[61]提出利用光譜間夾角大小（Spectra-angle，SA）作為判定準(zhǔn)則來(lái)選擇PDS傳遞參數(shù)，使模型傳遞過(guò)程不受樣品化學(xué)參考值影響。Zhang等[62]采用樣本誤差分布分析（Sampling error profile analysis， SEPA）方法優(yōu)化PDS參數(shù)。在校正模型參數(shù)方面，Wang等提出校正不同儀器預(yù)測(cè)結(jié)果的雙模型策略[63]以及對(duì)從機(jī)模型參數(shù)校正的線(xiàn)性模型校正（Linear model correction，LMC） [64]法， 用以維護(hù)模型。Chen等[65]提出了一種基于自動(dòng)峰檢測(cè)＼， 洛倫茲擬合和三次多項(xiàng)式擬合結(jié)合的自動(dòng)標(biāo)準(zhǔn)化方法，用于消除不同拉曼光譜儀間光譜漂移。這些方法的發(fā)展為無(wú)標(biāo)樣穩(wěn)健模型的建立提供了可能性。

3.3 模型更新

模型更新（Model updating，MU）通過(guò)將少量新條件下的樣本加入初始模型中，對(duì)模型進(jìn)行修正，避免了重復(fù)建模的繁瑣過(guò)程，達(dá)到對(duì)模型進(jìn)行維護(hù)的效果。

林兆洲等[66]提出一種利用正交空間樣本選擇進(jìn)行模型更新的方法。在經(jīng)過(guò)OSC 校正后的光譜空間內(nèi)挑選新樣本，提高了所選新樣本的特異性。通過(guò)對(duì)不同批次間金銀花醇沉過(guò)程中綠原酸含量的NIR模型進(jìn)行傳遞，證明該方法所選樣本代表性?xún)?yōu)于KS算法。

Haaland等[67]提出了一種預(yù)測(cè)增強(qiáng)經(jīng)典二乘（Prediction-augmented classical least-squares，PACLS）結(jié)合PLS的模型更新方法，通過(guò)將已知或經(jīng)驗(yàn)性變化嵌入模型，在PACLS部分中利用少量從機(jī)測(cè)試光譜獲得儀器差異， 并將其加入模型，之后重新建模。通過(guò)對(duì)三組分溶液NIR模型在不同溫度下進(jìn)行傳遞，證明該方法可以有效消除溶液中溫度差異。之后， 該團(tuán)隊(duì)[67，68]又分別使用PACLS/PLS、子集重建模型以及PDS對(duì)有機(jī)樣品的氯苯和庚烷NIR模型進(jìn)行了3臺(tái)不同儀器間的傳遞，結(jié)果表明PACLS/PLS方法優(yōu)于子集重建，且與背景校正后的PDS方法相當(dāng)。對(duì)于從機(jī)儀器漂移復(fù)雜情況下的預(yù)測(cè)能力更強(qiáng)。

Chen等[69]利用載荷空間標(biāo)準(zhǔn)化（LSS）和奇異值分解等數(shù)學(xué)手段，直接在從機(jī)測(cè)試集光譜Xtest和目標(biāo)組分濃度Ctest之間建立數(shù)學(xué)關(guān)系，提出了一種系統(tǒng)預(yù)測(cè)誤差校正法（Systematic prediction error correction，SPEC）， 用于維護(hù)不同批次間發(fā)酵過(guò)程預(yù)測(cè)模型。 與傳統(tǒng)傳遞方法相比，SPEC無(wú)需進(jìn)行光譜轉(zhuǎn)換操作，只需少量從機(jī)標(biāo)準(zhǔn)樣本光譜及其濃度，大大簡(jiǎn)化了模型傳遞的復(fù)雜度。

Kalivas等[70]提出了一種基于吉洪諾夫正則化（Tikhonov Regularization，TR）的模型維護(hù)方法，通過(guò)引入新條件下的干擾變量（數(shù)學(xué)矩陣表示為L(zhǎng)），將L陣進(jìn)行加權(quán)修正后加入建模陣X，使更新后的模型適應(yīng)性更強(qiáng)。分別使用TR和APLS（Augmented PLS）對(duì)溫度和儀器差異進(jìn)行校正，結(jié)果表明， TR與APLS均能提高模型預(yù)測(cè)效果，但TR法所需參數(shù)更少。Khaydukova等[71]分別使用TR系數(shù)和DS方法對(duì)電位滴定多傳感器系統(tǒng)的鑭系元素定量分析模型進(jìn)行了傳遞，表明使用TR系數(shù)傳遞后模型的預(yù)測(cè)效果最好。Yan等[72]在此基礎(chǔ)上提出了一種基于耦合任務(wù)學(xué)習(xí)（Transfer sample-based coupled task learning，TCTL）的新型算法。通過(guò)將TR項(xiàng)合并到目標(biāo)函數(shù)中，減少了所需模型系數(shù)，降低了過(guò)擬合現(xiàn)象，證明可以對(duì)電子鼻煙監(jiān)控系統(tǒng)的漂移現(xiàn)象進(jìn)行補(bǔ)償。

王家俊等[73]提出一種基于擴(kuò)展光譜的模型更新方法，利用少量標(biāo)準(zhǔn)樣本光譜得到主機(jī)與從機(jī)間的光譜差異，接著通過(guò)修正系數(shù)將主機(jī)建模集樣本傳遞至從機(jī)，使用傳遞后的從機(jī)光譜建立分析模型。煙草樣本在3臺(tái)NIR光譜儀間進(jìn)行總氮含量模型的傳遞結(jié)果表明，經(jīng)過(guò)擴(kuò)展光譜模型轉(zhuǎn)移后， 光譜間差異減小，一致性得到顯著提高，利用轉(zhuǎn)移后的光譜建立的模型可以得到準(zhǔn)確的預(yù)測(cè)結(jié)果。

Saranwong等[74]提出了一種補(bǔ)償相近NIR儀器差異的簡(jiǎn)易方法（Difference spectrum adjusted，DSA），通過(guò)使用少量的標(biāo)準(zhǔn)樣本得到主機(jī)和從機(jī)上各自的平均光譜，接著在從機(jī)測(cè)試光譜i波長(zhǎng)點(diǎn)處加上平均光譜差異值，即可完成主機(jī)與從機(jī)間的光譜匹配。Hayes等[75]分別使用MU、PDS、DSA對(duì)在線(xiàn)短波NIR硅光二極管陣列儀器間進(jìn)行模型傳遞研究，通過(guò)比較發(fā)現(xiàn)，DSA-MU方法與PDS方法轉(zhuǎn)移后的預(yù)測(cè)能力相當(dāng)，但考慮到DSA-MU需要的樣本數(shù)較少，因此更適合用于在線(xiàn)同型號(hào)儀器間的模型傳遞。

4 結(jié) 論

隨著化學(xué)計(jì)量學(xué)模型在各個(gè)學(xué)科的快速應(yīng)用，越來(lái)越多的模型傳遞方法也得到了廣泛應(yīng)用，其中， DS和PDS模型傳遞方法仍是使用最多的方法。隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)技術(shù)由于泛化能力強(qiáng)、穩(wěn)定性高等優(yōu)點(diǎn)也被用于模型傳遞研究。模型更新法則更適合用于過(guò)程控制領(lǐng)域。每種模型傳遞方法都有優(yōu)點(diǎn)和不足，因此， 在進(jìn)行模型傳遞之前，首先需要了解造成模型失效的主要因素，考慮是否可以基于對(duì)儀器的評(píng)估，通過(guò)預(yù)處理方法和選擇變量等構(gòu)建穩(wěn)健模型來(lái)實(shí)現(xiàn)模型的共享。對(duì)于儀器之間差異較小的情況，采取模型更新的方式是較為可靠的方法。如果確實(shí)需要進(jìn)行模型傳遞，則應(yīng)盡可能選擇簡(jiǎn)單、可行的傳遞算法，避免復(fù)雜的數(shù)學(xué)計(jì)算過(guò)程。

References

1 LU Wan-Zhen. Modern Near infrared Spectroscopy Analytical Technology. Beijing： China Petrochemical Press， 2007： 87

陸婉珍. 現(xiàn)代近紅外光譜分析技術(shù)（第二版）. 北京： 中國(guó)石化出版社， 2007： 87

2 Fearn T. J. Near Infrared Spectrosc.， 2001，? 9（1）： 229-244

3 CHU Xiao-Li， YUAN Hong-Fu， LU Wan-Zhen. Spectroscopy Spectral Analysis， 2001， 21（6）： 881-885

褚小立， 袁洪福， 陸婉珍. 光譜學(xué)與光譜分析， 2001， 21（6）： 881-885

4 Feudale R N， Woody N A， Tan H W， Myles A J， Browm S D， Ferré J. Chemometr. Intell. Lab. Syst.， 2002， 64（2）： 181-192

5 ZHANG Jin， CAI Wen-Sheng， SHAO Xue-Guang. Prog. Chem.， 2017， 29（8）： 902-910

張 進(jìn)， 蔡文生， 邵學(xué)廣. 化學(xué)進(jìn)展， 2017， 29（8）： 902-910

6 Wang Y D， Veltkamp D J， Kowalski B R. Anal. Chem.， 1991， 63（23）： 2750-2756

7 Shenk J S， Westerhaus M O. US 4866644， 1989

8 Osborne B G， Fearn T. J. Food Technol.， 1983， 18（4）： 453-460

9 ZHANG Wen-Jun， TANG Hong. Hubei Agricultural Sciences， 2017， 56（5）： 969-972

張文君， 唐 紅. 湖北農(nóng)業(yè)科學(xué)， 2017， 56（5）： 969-972

10 Jaworski A， Wikiel H， Wikiel K. Electroanalysis， 2016， 29（1）： 67-76

11 Krapf L C， Nast D， Gronauer A， Schmidhalter U， Heuwinkel H. Bioresource Technol.， 2013， 129（2）： 39-50

12 CHEN Yi-Yun， QI Kun， LIU Yao-Lin， HE Jian-Hua， JIANG Qing-Hu. Spectroscopy Spectral Analysis， 2015， 35（6）： 1705-1708

陳奕云， 漆 錕， 劉耀林， 何建華， 姜慶虎. 光譜學(xué)與光譜分析， 2015， 35（6）： 1705-1708

13 Milanez K D T M， Nóbrega T C A， Nascimento D S， Insausti M， Pontes M J C. Microchem. J.， 2017， 133： 669-675

14 JI Na-Yu， LI Ming， L Wen-Bo， LIU Ran， ZHANG Yu-Ying， HAN Dong-Hai. Spectroscopy Spectral Analysis， 2017， 37（1）： 227-231

吉納玉， 李 明， 呂文博， 劉 然， 張雨穎， 韓東海. 光譜學(xué)與光譜分析， 2017， 37（1）： 227-231

15 Qin Y H， Gong H L. Infrared Phys. Technol.， 2016， 77： 239-243

16 Blank T B， Sum S T， Brown S D， Monfre S L. Anal. Chem.， 1996， 68（17）： 2987-2995

17 SONG Hai-Yan， QIN Gang. Spectroscopy Spectral Analysis， 2015， 35（12）： 3360-3363

宋海燕， 秦 剛. 光譜學(xué)與光譜分析， 2015， 35（12）： 3360-3363

18 CHU Xiao-Li. Molecular Spectroscopy Analytical Technology Combined with Chemometrics and its Applications. Beijing： Chemical Industry Press， 2011： 55

褚小立. 化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù). 北京： 化學(xué)工業(yè)出版社， 2011： 55

19 WANG Yan-Bin， YUAN Hong-Fu， LU Wan-Zhen. Spectroscopy Spectral Analysis， 2005， 25（3）： 398-401

王艷斌， 袁洪福， 陸婉珍. 光譜學(xué)與光譜分析， 2005， 25（3）： 398-401

20 Wei F， Liang Y Z， Yuan D L， Wang J J. Anal. Chim. Acta， 2008， 623（1）： 22-29

21 YANG Yu， PENG Yan-Kun， LI Yong-Yu， FANG Xiao-Qian， ZHAI Chen， WANG Wen-Xiu， ZHENG Xiao-Chun. Spectroscopy Spectral Analysis， 2018， 38（3）： 824-829

楊 宇， 彭彥昆， 李永玉， 房曉倩， 翟 晨， 王文秀， 鄭曉春. 光譜學(xué)與光譜分析， 2018， 38（3）： 824-829

22 HAN Jun， HAO Yuan， FANG Hong-Zhuang. J.Yunnan Nationalities University： Natural Sciences Edition， 2017， 26（5）： 365-368

韓 君， 郝 遠(yuǎn)， 方洪壯. 云南民族大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2017， 26（5）： 365-368

23 Peng J T， Peng S L， Jiang A， Tan J. Spectrochim. Acta A， 2011，? 78（4）： 1315-1320

24 Du W， Chen Z P， Zhong L J， Wang S X， Yu R Q， Nordon A， Littlejohn D， Holden M. Anal. Chim. Acta， 2011， 690（1）： 64-70

25 WU Jin-Zhi， LI Jun， DU Wen， PENG Sheng-Ming， WANG Zhi-Guo. Tobacco Science & Technology， 2017， 50（10）： 69-73

吳進(jìn)芝， 李 軍， 杜 文， 彭圣明， 王志國(guó). 煙草科技， 2017， 50（10）： 69-73

26 Liu Y， Cai W S， Shao X G. Anal. Chim. Acta， 2014， 836： 18-23

27 Chen W R， Bin J， Lu H M， Zhang Z M， Liang Y Z. Analyst， 2016， 141（6）： 1973-1980

28 ZHAO Long-Lian， LI Jun-Hui， ZHANG Wen-Juan， WANG Jian-Cai， ZHANG Lu-Da. Spectroscopy Spectral Analysis， 2008， 28（10）： 2299-2303

趙龍蓮， 李軍會(huì)， 張文娟， 王建才， 張錄達(dá). 光譜學(xué)與光譜分析， 2008， 28（10）： 2299-2303

29 Huang G B， Wang D H， Lan Y. Int. J. Machine Learning Cybernetics， 2011， 2（2）： 107-122

30 KONG Qing-Qing， DING Xiang-Qian， GONG Hui-Li， LI Zhong-Ren， TANG Xing-Hong， YU Chun-Xia. Journal of Instrumental Analysis， 2017， 36（10）： 1203-1207

孔清清， 丁香乾， 宮會(huì)麗， 李忠任， 唐興宏， 于春霞. 分析測(cè)試學(xué)報(bào)， 2017， 36（10）： 1203-1207

31 YANG Hui-Hua， ZHANG Xiao-Feng， FAN Yong-Xian， XIE Pu-Mo， CHU Xiao-Li. Chinese J. Anal. Chem.， 2014， 42（9）： 1229-1234

楊輝華， 張曉鳳， 樊永顯， 謝譜模， 褚小立. 分析化學(xué)， 2014， 42（9）： 1229-1234

32 YANG Hao， XIONG Zhi-Xin， CHEN Tong. Chinese Journal of Analysis Laboratory， 2018， 37（2）： 163-167

楊 浩， 熊智新， 陳 通. 分析試驗(yàn)室， 2018， 37（2）： 163-167

33 Galvo R K， Soares S F， Martins M N， Pimentel M F， Araújo M C U. Anal. Chim. Acta， 2015， 864： 1-8

34 Li J Y， Chu X L， Tian S B. China Petroleum Process. Petrochem. Technol.， 2015， 17（1）： 1-5

35 Chen Z P， Julian Morris A， Martin E. Anal. Chem.，? 2005， 77（5）： 1376-1384

36 SHI Xin-Zhen， WANG Zhi-Guo， DU Wen， YI Hao， ZHANG Juan， CHEN Zeng-Ping， YU Ru-Qin. Chinese J. Anal. Chem.， 2014， 42（11）： 1673-1678

史新珍， 王志國(guó)， 杜 文， 易 浩， 張 娟， 陳增萍， 俞汝勤. 分析化學(xué)， 2014， 42（11）： 1673-1678

37 Folch-Fortuny A， Vitale R， Denoord O E， Ferrer A. J. Chemometrics， 2017， e2874

38 Watari M， Ozaki Y. Appl. Spectrosc.， 2004， 58（10）： 1210-1218

39 Liang C， Yuan H F， Zhao Z， Song C F， Wang J J. Chemometr. Intell. Lab. Syst.， 2016， 153： 51-57

40 Liu X， Huang C J， Han L. Energy Fuels， 2015， 29： 6450-6455

41 JIA Yi-Fei， ZHANG Ying-Ying， XU Bing， WANG An-Dong， ZHAN Xue-Yan. China Journal of Chinese Materia Medica， 2017， 42（12）： 2298-2304

賈一飛， 張盈盈， 徐 冰， 王安冬， 詹雪艷. 中國(guó)中藥雜志， 2017， 42（12）： 2298-2304

42 Lin Z， Xu B， Li Y， Shi X Y， Qiao Y J. J. Chemometrics， 2013， 27（11）： 406-413

43 WANG An-Dong， WU Zhi-Sheng， JIA Yi-Fei， ZHANG Ying-Ying， ZHAN Xue-Yan， MA Chang-Hua. Spectroscopy Spectral Analysis， 2018， 38（4）： 1082-1088

王安冬， 吳志生， 賈一飛， 張盈盈， 詹雪艷， 馬長(zhǎng)華. 光譜學(xué)與光譜分析， 2018， 38（4）： 1082-1088

44 Roudier P， Hedley C B， Lobsey C R， Rossel R A V， Leroux C. Geoderma， 2017， 296： 98-107

45 Preys S， Roger J M， Boulet J C. Chemometr. Intell. Lab. Syst.， 2008， 91（1）： 28-33

46 Nouri M， Gomez C， Gorretta N， Roger J M. Geoderma， 2017， 298： 54-66

47 Zeaiter M， Roger J M， Bellon-Maurel V. Chemometr. Intell. Lab. Syst.， 2006， 80（2）： 227-235

48 Zhu Y， Fearn T， Samuel D， Dhar A， Hameed O， Bown S G， Lovat L B. J. Chemometrics， 2008， 22（2）： 130-134

49 Tan H W， Brown S D. J. Chemometrics， 2001， 15（8）： 647-663

50 Yoon J， Lee B， Han C. Chemometr. Intell. Lab. Syst.， 2005， 64（1）： 1-14

51 TIAN Gao-You， CHU Xiao-Li， YUAN Hong-Fu， LU Wan-Zhen. Chinese J. Anal. Chem.， 2006， 34（7）： 927-932

田高友， 褚小立， 袁洪福， 陸婉珍. 分析化學(xué)， 2006， 34（7）： 927-932

52 Bin J， Li X， Fan W， Zhou J H， Wang C W. Analyst， 2017， 142（12）： 2229-2238

53 Du W， Ren J X， Zhang W L， Shao X G. Acta Tabacaria Sinica， 2005， 11（5）： 9-18

54 Wu X M， Lou P Y， Yang X H. Adv. Mater. Res.， 2013， 834-836： 1006-1010

55 Liang C， Yuan H F， Zhao Z， Song C F， Wang J J. Chemometr. Intell. Lab. Syst.， 2016， 153： 51-57

56 Sun Z Y， Wang J Y， Nie L， Li L， Cao D W， Fan J J， Wang H Y， Liu R C， Zhang Y R， Zang H C. Chemometr. Intell. Lab. Syst.， 2018， 181： 64-71

57 WANG Ju-Xiang， LI Hua， XING Zhi-Na， GUO Heng-Guang. Journal of Instrumental Analysis， 2011， 30（1）： 43-47

王菊香， 李 華， 邢志娜， 郭恒光.? 分析測(cè)試學(xué)報(bào)， 2011， 30（1）： 43-47

58 ZHANG Xiao-Yu， LI Qing-Bo， ZHANG Guang-Jun. Spectroscopy Spectral Analysis， 2014， 34（5）： 1429-1433

張曉羽， 李慶波， 張廣軍. 光譜學(xué)與光譜分析， 2014， 34（5）： 1429-1433

59 JI Na-Yu， HAN Dong-Hai. Journal of Food Safety & Quality， 2014， 5（3）： 712-717

吉納玉， 韓東海. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)， 2014， 5（3）： 712-717

60 NI Li-Jun， XIAO Li-Xia， ZHANG Li-Guo， LUAN Shao-Rong. Journal of Instrumental Analysis， 2018， 37（5）： 539-546

倪力軍， 肖麗霞， 張立國(guó)， 欒紹嶸. 分析測(cè)試學(xué)報(bào)， 2018， 37（5）： 539-546

61 CAO Yu-Ting， YUAN Hong-Fu， ZHAO Zhong. Spectroscopy Spectral Analysis， 2018， 38（3）： 973-981

曹玉婷， 袁洪福， 趙 眾. 光譜學(xué)與光譜分析， 2018， 38（3）： 973-981

62 Zhang F， Chen W C， Zhang R Q， Ding B Y， Yao H M， Ge J， Ju L， Yang W Y， Du Y P. Chemometr. Intell. Lab. Syst.， 2017， 171： 234-240

63 Wang J， Li Z， Wang Y， Liu Y， Cai W S， Shao X G. Spectrosc. Lett.， 2016， 49（5）： 348-354

64 Liu Y， Cai W S， Shao X G. Spectrochim. Acta A， 2016， 169： 197-201

65 Chen H， Zhang Z M， Miao L， Zhan D J ， Zheng Y B， Liu Y， LU F， Liang Y Z. J. Raman Spectrosc.， 2015， 46（1）： 147-154

66 LIN Zhao-Zhou， XU Bing， SHI Xin-Yuan， QIAO Yan-Jiang. Modernization of Traditional Chinese Medicine and Materia Medica-World Science and Technology， 2012， 14（6）： 2178-2182

林兆洲， 徐 冰， 史新元， 喬延江. 世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化， 2012， 14（6）： 2178-2182

67 Haaland D M， Melgaard D K. Appl. Spectrosc.， 2001， 55（55）： 1-8

68 Wehlburg C M， Haaland D M， Melgaard D K. Appl. Spectrosc.， 2002， 56（7）： 877-886

69 Chen Z P， Li L M， Yu R Q， Littlejohn D， Nordon A， Morris J， Dann A S， Jeffkins P A， Richardson M D， Stimpson S L. Analyst， 2010， 136（1）： 98-106

70 Kalivas J H， Siano G G， Andries E， Goicoechea H C. Appl. Spectrosc.， 2009， 63（7）： 800-809

71 Khaydukova M， Panchuk V， Kirsanov D， Legin A. Electroanalysis， 2017， 29（9）： 1-7

72 Yan K， Zhang D. Sens. Actuators B， 2016， 225： 288-297

73 WANG Jia-Jun， ZHE Wei， LIU Yan， CAI Wen-Sheng， SHAO Xue-Guang. Acta Tabacaria Sinica， 2014， 20（6）： 1-5

王家俊， 者 為， 劉 言， 蔡文生， 邵學(xué)廣. 中國(guó)煙草學(xué)報(bào)， 2014， 20（6）： 1-5

74 Saranwong S， Kawano S. J. Near Infrared Spectrosc.， 2004， 12（1）： 359-365

75 Hayes C， Walsh K， Greensill C. J. Near Infrared Spectrosc.， 2016， 24（1）： 59-68