研究近红外光谱分析模型中的样本有效划分问题, 针对经典KS算法依据距离度量描述高维度光谱数据间差异时效果不尽人意甚至失去意义的问题, 结合目前相似性度量方法的不足, 构造出一种新的相似性度量函数, 采用光谱特征和性质特征相结合的方式计算样本间差异, 提出一种改进的KS算法以寻求样本差异的最佳表达方式。通过与其他改进方法的对比, 从有效性和对近红外光谱分析模型的影响两方面对所提改进算法进行分析, 验证了所提算法的合理性和优越性。

温度校正是红外光谱定性定量分析中的一个关键问题,通过去除光谱数据中的温度效应,可以改善模型的线性度,从而提高模型的预测精度.通常的温度校正方法不仅需要记录训练集光谱的采集温度,而且需要记录测试集光谱的采集温度,这对很多实际应用中的光谱温度校正造成了困难.提出了一种基于模型的光谱温度预测及校正方法,通过训练集数据对光谱中的温度信息进行建模,利用模型的信息,从而能从测试集光谱数据中估计出采集温度,并进行光谱数据的温度校正,降低了温度校正方法对测试集光谱数据采集温度的依赖性.作为方法的验证,进行了两部分的实验:在第一部分的实验中,通过对十个浓度的水-乙醇二元混合物光谱数据的温度预测以及温度校正的实验,证明了本文方法的有效性;在第二部分的实验中,我们采用了Wulfert的经典温度校正方法CPDS的实验数据和实验方案,对三元混合物的光谱数据进行温度预测以及温度校正,得到了不亚于CPDS方法的温度校正效果,同时也证明了该方法对三元混合物光谱数据的适用性.通过两部分的实验表明,在缺少测试集测量温度的情况下,提出的温度校正方法仍可对光谱数据进行有效的预测和校正,降低了温度校正方法对测试集数据的依赖性,从而提高了温度校正方法的适用性.