在近红外光谱分析中, 将近红外光谱和浓度信息建立统计模型, 通过光谱代入模型即可预测未知样本浓度。 但是, 检测条件的变化会导致光谱的改变, 进而导致原有的模型不能准确预测光谱改变后的样本。 对此, 模型转移可以通过校正新测量的光谱（从光谱）, 使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。 模型转移可以使用全光谱进行校正, 但是全光谱中往往包括噪声、 背景等干扰信息, 这些干扰会增加预测误差。 故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。 但是一般的变量选择算法只选择主光谱的区间, 从光谱使用主光谱相同的波长区间模型转移。 但是在实际工作中, 主光谱和从光谱有化学意义的区间往往不一致, 主从光谱使用同一区间模型转移会增加误差; 此外, 有时二者原光谱的波长范围并不一致, 从主光谱选出的区间不能用于从光谱的校正。 对此, 提出了基于双光谱区间遗传算法（GA-IDS）, 同时选择主光谱和从光谱有化学意义的区间, 进而实现模型转移。 GA-IDS算法步骤包括, ①随机产生种群; ②分析种群中每条染色体, 删去错误染色体; ③根据每条染色体, 找出其相应的主光谱和从光谱波段组合, 并计算其模型转移后的验证均方根误差(RMSEV); ④按照概率, 执行选择、 交叉、 变异操作。 在一次迭代结束之后, 返回到步骤②, 重新执行纠错、 计算RMSEV、 选择、 交叉、 变异。 达到停止迭代的要求后, 将最低的RMSEV值所对应的染色体保存下来作为最优染色体, 其所对应的主从光谱区间作为最优区间。 用玉米、 小麦两套数据测试了该算法, 结果显示, 与全光谱相比, GA-IDS选择的主从光谱区间可以显著地降低误差; 与向后迭代区间选择法（IIBS）相比, 在小样本情况下, GA-IDS的误差显著地小于IIBS方法。

近红外光谱（NIR）具有快速、 无损、 操作方便的特点, 故广泛用于食品分析。 作为一种间接的分析技术, NIR需要建立光谱与待测浓度之间的统计模型来实现检测。 故模型的维护有助于保证NIR的预测准确性。 在外界条件发生变化的情况下, 诸如样品性状的改变、 仪器对理化指标函数关系的变化、 湿度和温度等环境因素的改变, 会导致相同样品的光谱信号发生偏移, 进而使得原有模型的预测精度下降。 此时, 如果重新建模, 虽然可以解决光谱偏移对建模的影响, 但是重新建模将耗费大量的人力物力。 对此, 模型转移可以在避免重新建模的情况下, 校正光谱的偏移, 进而提高模型预测精度。 通常模型转移算法多用全光谱进行模型转移, 这种方法计算量较大, 且不能找到合适的有化学意义的波段。 故提出一种基于模型转移中的变量选择方法: 向后迭代区间选择法（IIBS）, 通过计算主光谱（用于建模的那组光谱）和从光谱（发生偏移, 需要通过模型转移算法将其校正的光谱）中, 变量区间的重要性信息（回归系数（β）、 残差向量（Res）以及变量重要性投影（VIP））。 进而通过计算该区间变量重要性信息的几何平均数, 并以此作为该区间的区间重要性指标。 接着根据区间的重要性, 删除重要性信息较小的变量区间。 然后对主光谱和从光谱重复迭代上述过程: 计算变量的重要性信息, 计算区间的重要性信息, 删除重要性信息较小的区间。 最后, 比较不同的主光谱和从光谱区间组合的验证均方根误差（RMSEV）, 选择RMSEV最小的主光谱和从光谱区间作为最优区间。 玉米、 小麦两套NIR数据测试了该算法。 结果显示, 与全波段相比, β, Res以及VIP均可以从主光谱和从光谱中选择较少的, 有化学意义的区间, 提高模型转移的精度。 在比较不同变量重要性向量方面, 基于β的变量选择算法, 模型转移的计算误差较小。

样本选择是模型转移的重要组成部分, 其目的是在主光谱和从光谱中选择合适的样本, 建立二者的转移模型, 使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本, 进而用主光谱的模型直接预测其浓度。 目前, 常用的样本选择算法有: Kennard-Stone 法 (KS法), SPXY法和SPXYE法。 根据上述算法的特点, 提出了一种新的样本选择方法: 加权SPXYE法(WSPXYE法), 进而将其用于选择合适的转移集样本。 WSPXYE同样先计算样本间的距离, 其距离有三个部分组成: 光谱(X)之间的归一化距离dxs, 浓度(y)之间的归一化距离dys, 以及校正误差(e)之间的归一化距离des。 其加权代数和dwspxye=αdxs+βdys+(1-α-β)des即为WSPXYE距离。 计算了WSPXYE距离之后, 可以根据其距离选择距离较大的样本作为转移集样本。 WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广, 而KS法(α=1, β=0)、 SPXY法(α=0.5, β=0.5)以及SPXYE法(α=0.333, β=0.333)则是WSPXYE法的特例。 直接校正法(DS)、 有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。 结果显示, 与KS法、 SPXY法以及SPXYE法相比, WSPXYE法可以通过调节参数, 选择合适的样本, 获得较低的误差。

模型转移是解决近红外光谱仪器间存在差异导致校正模型难以在多台仪器间通用问题的重要方法。 利用主成分-马氏距离方法判断样品在不同仪器间的光谱差异性, 然后通过吉洪诺夫正则化约束和校正模型参数, 提出新的模型转移算法, 实现模型在不同近红外光谱仪器上的共享和使用。 首先使用一组标准样品光谱, 建立主机和子机近红外光谱模型预测误差最小化函数。 通过约束主机和子机的模型参数的差异, 求出子机的模型参数, 从而达到模型转移的目的。 该方法应用于药物活性成分和烟叶中总植物碱与总糖的含量分析, 结果表明使用15个标准样品时, 子机光谱样本的预测均方根误差(RMSEP)分别从8.3 mg、 0.49%和1.91%降到3.9 mg、 0.09%和0.83%。 转移后模型预测相对分析误差(RPD)均大于3.0, 子机光谱样本的预测效果得到明显提高。 该方法理论明确、 直观, 在实际应用中样品预测准确性较好, 为具有标准样品的模型转移方法提供一种新思路。

在水果的品质检测和分级分选中, 存在不同仪器所建检测模型难以共享的难题。 为此, 以壶瓶枣为研究对象, 利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。 首先, 采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息, 采用最小二乘支持向量机（LS-SVM）建立原始光谱、 Savitzky-Golay一阶导数处理、 标准正态变量变换后的SSC检测模型, 预测不同仪器采集的光谱时3种方法的预测能力均较差。 预测同一台仪器的光谱时, 基于原始光谱的主仪器所建模型最优, 预测集的决定系数（R2p）和均方根误差（RMSEP）分别为0.73和1.36%。 在此基础上, 采用Kennard/Stone算法选取标样, 利用专利算法（Shenk’s）、 直接标准化（DS）、 斜率/偏差算法（S/B）进行模型传递。 然后, 根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长, 优选出单一变量（SV）24个、 共性变量（CV）23个、 融合变量（FV）29个, 均涵盖了SSC的主要吸收谱带。 利用优选的变量分别建立主仪器的LS-SVM检测模型, 采用主仪器的预测结果（R2p=0.78~0.80, RMSEP=1.07%~1.13%）明显好于全波段所建模型, 但预测从仪器时RMSEP为6.62%~7.88%, 模型失效。 最后, 基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、 单一变量优选结合差值补正、 融合变量优选结合差值补正、 共性变量优选结合波长补正算法（CV-WC）进行模型传递, 并与SV-Shenk’s, CV-Shenk’s, FV-Shenk’s, SV-DS, CV-DS, FV-DS, SV-S/B, CV-S/B和FV-S/B进行对比分析。 结果表明, 基于全波段进行模型传递时, 预测结果均较差（R2p=0.03~0.34, RMSEP=2.44%~4.67%）; 基于优选变量所建模型经SV-Shenk’s, CV-Shenk’s, FV-Shenk’s传递后的结果较差, 经其他算法传递后的结果（R2p=0.47~0.73, RMSEP=1.30%~1.90%）好于全波段; 基于共性变量传递后的结果好于单一变量和融合变量, CV-MC结果最佳（R2p=0.73, RMSEP=1.30%）, CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。 研究表明, CV-MC和CV-WC均是一种有效模型传递算法, 对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。