近红外光谱容易受外界因素干扰而发生扰动或者变化，例如温度、湿度、样本形态、仪器漂移或仪器更换等，导致建立的模型难以适应新的应用场景。通过建立不同条件下光谱、模型系数或预测结果的关系，从而消除预测偏差的方法称为模型转移[68]，常见的方法包括斜率截距法（Slope/bias,S/B）、专利算法（Shenks algorithm）、直接标准化（Direct standardization, DS）、分段直接标准化（Piecewise direct standardization, PDS）、光谱空间转换（Spectral space transformation, SST）、典型相关性分析（Canonical correlation analysis, CCA），交替三线性分解（Alternating tri-linear decomposition, ATLD）光谱标准化和多级同时成分分析（Multi-level simultaneous component analysis,MSCA）[69]。
因子分析是将数据在低维空间中表示的一类方法，利用因子分析将高维空间中的光谱转移转化为低维空间中的抽象因子，这能够有效降低模型转移的复杂程度。例如，联合独立分块分析（Joint and unique multiblock analysis）[70]、域不变偏最小二乘（Domain-invariant partialleastsquares）[71]、等仿射不变式（Affine invariance）[72]等。张等[73]在此基础上提出了一种基于权重系数的模型转移方法（Calibration transfer based on the weight matrix），该方法在偏最小二乘权重系数的基础上构造模型转移函数，转化偏最小二乘权重为得分，将光谱间的转化关系变换为光谱与得分矩阵间的转化，简化了模型转移的复杂程度，提高了模型转移的可靠性。
通常，使用标准样本的模型转移方法的结果相对更加准确，然而，其应用性受到限制。邵学广课题组提出了一系列无需标准样本的模型转移方法，例如，双模型策略（Dualmodelstrategy）[75]、偏最小二乘校正（PLS-corrected）[76]和线性模型校正（Linear model correction, LMC）[77]方法。这些算法不需要使用在不同仪器或者不同条件下采集的标准样本的近红外光谱，因此，可以用于无标准光谱的模型维护和增强。张等[78]在LMC基础上提出的修正线性模型校正（Modified linear model correction,mLMC）方法利用拉格朗日乘子法，将预测优化目标函数与不同条件下模型系数相关性约束相结合，实现了对不同仪器设备基础上建立的分析模型高效、快速的无标准样本转移。此外，张等[79]提出了利用相关系数约束结合全局游湖算法实现了无参数的模型增强（Parameter-free calibration enhancement）框架，包括无监督、半监督和全监督的模型转移、维护和增强等多种应用情况。
我的社区
签到
【七月征文】不一YOUNG实验“猿”
报名开启：ICS2024第十三届光谱网络会议！
巡检超百家 丹纳赫集团参与第四届客户关怀季
推荐收藏！盘点中药材及饮片检测解决方案
