近红外光谱技术(Near infrared spectrum,NIRS)由于无需采用化学方法进行样品前处理，具有绿色、高效、无损和便于在线检测等优点，在药物、食品、石化、农产品、饲料、烟草等行业得到了广泛应用[1]。其基本原理是以光谱信息为自变量(X)，待测性质为因变量(Y)，采用各种统计回归方法建立Y与X之间的数学关系后，根据待测样品的光谱信息实现对样品性质的快速预测[1]。建立一个可靠的近红外光谱模型需采用常规分析方法确定几十乃至上百个定标样品的Y值，然后进行模型的优化和建立,样品收集及建模过程耗费大量人力和物力，通常希望在源机(主机，Master)上所建光谱模型可在从机(目标机，Slaves)上共享[2]。

在实际运用中，由于仪器生产批次不同、使用环境及零部件更换、样品测试温度、湿度[3-4]等因素的影响，导致仪器间光谱信号存在差异，使得主机模型转移到从机时“失效”[5]。解决模型“失效”的过程称为模型传递[6]。实现近红外模型传递的方法主要分为有标样和无标样两类[7]。有标样的算法通常选取若干样品作为转移集，根据转移集的主机与从机光谱对从机光谱或主机模型进行校正。由于标样性质会随时间推移发生变化，且在不同仪器上同时测量标样光谱困难，影响了该方法的应用。无标样模型传递过程中无需提供标样光谱，通常利用基线校正、数字滤波[8]、光谱求导等方法减小仪器间的光谱差异，或通过模型参数校正实现无标样模型传递[9]。波长筛选[10-11]建立稳健模型是一种解决模型传递的方法，文献[10]以从机的预测均方根残差(RMSEP)最小为目标，选择重要的、对测样参数不敏感的波长信号建模，获得了较好的模型传递结果。鉴于该法根据模型对从机预测结果进行优化、筛选建模波长，其所建模型是否对主机以及其他未考察的从机仍能给出良好的预测结果无法评估。

通过筛选仪器间信号一致且稳定的波长建立近红外光谱模型，可使模型在多台机器间共享。基于此，本研究提出根据仪器间同一波长下的光谱比值分析结果进行波长筛选，获得仪器间光谱信号一致的波长，以实现无标样近红外模型传递。采用72个黄芩与80个玉米构成的两个数据集合对本方法进行验证，并将结果与全波长模型直接转移、从机光谱采用分段校正(PDS)后的全波长模型转移结果、文献报道的其他模型传递方法的结果进行了比较。

1 原理与方法

为保证光谱预处理时各样品光谱独立，不受其他样品干扰，本文采用只利用样品自身光谱信息的标准正态变换和求导方法对主机与从机光谱进行预处理，以消除散射及基线漂移对光谱的影响。通过分析样品光谱在各波长点下的比值，筛选仪器间信号一致性好的波长，根据所筛选波长下的光谱信息建立主机模型，将其直接转移到从机后应仍有良好的预测性能。该方法的具体步骤如下：

(1) 光谱预处理：对主机和从机光谱分别进行标准正态变量变换(SNV)预处理后再求导数(31点Savitzky-Golay光滑处理，其中黄芩光谱选择一阶导数，玉米光谱选择二阶导数)。记An×p为主机(Master instrument,M)光谱矩阵(n为样本数，p为波长点数)，Sn×p为从机(Slave instruments,S)光谱矩阵。

(2) 挑选代表性样本：对于特定品种的样品，由于不同样品中所含化学物质组成的不同，造成光谱响应的差异。欲根据光谱信息筛选稳定且仪器间光谱信号一致的波长，应以有代表性的样本光谱作为波长筛选的信息基础。本文采用综合考虑光谱和成分含量差异的SPXY(Sample set partitioning based on joint x-y distance)方法[12]，挑选5～20个代表性样本进行波长筛选。

(3) 求精密度测试光谱比值的标准偏差谱(Standard deviance of ratio of precision detection spectra,SDRPDS)：连续采集某一样品在主机上的光谱m次，求每一次采集光谱与平均谱的比值，再求m次测试光谱比值的标准偏差，称为精密度测试光谱比值的标准偏差SDRPDS。计算步骤如下：

(1)

Merrell’s detailed report consisted of the following parts:

其中是某一样品在波长j连续m次测试光谱的平均值，i为测试序号，m为测试次数。定义rij为第i次测量光谱在波长j处的光谱响应与的比值：

(2)

根据下式计算第j个波长下的精密度测试光谱比值的标准偏差：

(3)

式中，为波长j下m次测试的光谱比值均值。

将上述基于光谱比值分析的波长筛选方法记为SWSRA(Screening wavelengths based on spectrum ratio analysis)。

(4)根据主、从机光谱比值筛选仪器间信号一致且稳定的波长：记样品i在波长j下主机与从机光谱信号之比为ρij，当主机与从机光谱信号完全一致时，ρij=1。由于仪器间的差异，导致ρij在1附近波动，波动幅度随波长和样本而改变。根据式(4)计算主、从机样品在波长j下光谱比值的标准偏差(Standard deviance of spectrum ratio of master to slave instruments，SDSRI)：

(4)

式中n为样本个数，ρij为样本i在主机、从机测得的波长j的光谱响应之比,为ρij在波长j的均值。

根据主、从机光谱比值标准偏差SDSRI和精密度测试光谱比值的标准偏差SDRPDS量级差异，定义一致度参数a=SDSRI(j)/SDRPDS(j)(a≥1，j为波长序号)，比较每一个波长j下的SDSRI和SDRPDS，挑选主机与各从机比值标准偏差SDSRI(j)/a小于精密度测试标准偏差SDRPDS(j)的波长，满足此条件波长的各仪器间光谱信号会有良好的一致性。

从浙江康恩贝公司、吉林天药本草堂、颈复康药业集团和中国药材集团4家企业收集72个黄芩饮片样品，采用《中国药典》2015年版收录的高效液相色谱方法测定黄芩中的有效成分黄芩苷。另外，采用(http//www.eigenvector.com/data/Corn/corn.mat)所提供在3台不同光谱仪(分别记作m5，mp5，mp6)上测得的80个玉米样品的近红外光谱和水分、油、蛋白质3种成分含量的参考值对SWSRA模型传递方法进行验证。

(5)

(6)

式中n为样本数,为各样本在主机测得的波长j下光谱响应的均值,Mij为主机第i个样品在波长j下的光谱比值，为波长j下的光谱比值的均值。

3.3.1 黄芩苷PLS模型传递的结果分析 根据“3.1”方法筛选出300个黄芩波长点的光谱信息(SNV+一阶导数)，在主机上建立的黄芩苷NIRS预测模型的结果与全光谱模型传递前后，以及经PDS校正后全波长模型结果的比较见表1。由表1 可知，SWSRA模型的MRE和RMSEP约为全波长模型直接转移结果的1/3，而且SWSRA模型的主机MRE和R均优于主机全波长模型；采用PDS校正从机光谱后，全波长模型对从机样本的MRE、RMSEP略小于对主机样本的对应指标，笔者前期工作[2]中进行银杏叶总黄酮含量的NIRS模型传递研究时，亦发现PDS校正后模型结果略优于主机模型。可能是因为PLS模型中含有一千多个回归系数，待测性质等于各光谱点对应的回归系数与光谱响应乘积的加和，PDS校正后的从机光谱虽与主机光谱在某些波长下仍有细微差异，从机光谱信号乘以对应的回归系数加和后得到的Y值如果较主机样本的预测值更接近实测值，则会出现上述现象。但这一差异通常很小，可视为数值计算引起的正常波动，大部分情况下，PDS校正后模型传递结果的误差大于主机模型对自身样本的预测误差。

由于仪器噪声及环境等因素的干扰，SDRPDS是一条在0附近波动的谱图，其纵坐标随波长变化而改变。SDRPDS越接近于0的波长点所对应的光谱信号越稳定。

由于神经网络的方法是利用训练过程提取因果关系，然后将它存储到一个神经网络模型的连接强度上。网络的自组织与学习能力消除了提取因果关系的必要性。

2 实验部分

2.1 样 品

(5)根据样本间光谱比值筛选特征波长：样品中物质组成的差异会体现在光谱上，这些差异明显的波长体现了样品的特征。本文根据公式(5)～(6)计算样品在波长j下的光谱比值的标准偏差(Standard deviance of spectrum ratio of samples,SDSRS)：

2.2 光谱采集

分别在两台Thermo Fisher公司的傅立叶变换近红外光谱仪ANTARIS Ⅱ NIR与ANTARIS Ⅰ FT2 NIR上采集72个黄芩样品的光谱数据。将黄芩样品打粉，过80目筛，置于真空恒温干燥箱(型号YB-Z，天津市泰斯特仪器有限公司)中40 ℃下干燥2 h，取黄芩粉末样品约2 g置于石英样品杯中，以空气作为参比，采用积分球漫反射部件测试。25 ℃下扫描32次，增益值为2，扫描范围为4 000～10 000 cm-1，分辨率8 cm-1。

当α=0时，eiα=1，为反对称波形（sinuous）；当α=π时，ei α =-1，为正对称波形（varicose）；当α→0时，ei α →1，为近反对称波形（para-sinuous）；当α→ π时，ei α →- 1，为近正对称波形（para- varicose）。

2.3 定量模型的建立及评价标准

采用偏最小二乘回归(PLS)方法建立模型，模型参数潜变量(LV)过小时，不能完全剔除原始数据中的噪声和原始变量间的相关性[13]，且会丢失有用信息，LV过大则会引入不必要的噪声。一般采用留一交叉验证法确定潜变量个数[13]。本文发现采用留一交叉验证法确定潜变量个数时，易出现过拟合，模型交叉验证的均方根残差RMSECV(Root mean square error of calibration)很小但检验集均方根残差RMSEP(Root mean square error of prediction)很大。本文用校正集4折交叉验证[14]并且Y变量(待测性质)累积贡献达到99%时对应的潜变量个数作为最佳模型参数。以建模集均方根残差RMSEC评价模型的拟合性能。模型的预测性能采用验证集样本的预测值和真实值的相关系数(R)、预测均方根误差(RMSEP)和平均相对误差(MRE)进行评价。在样本化学成分浓度量级相同的前提下，R越接近于1，RESEP和MRE越小，表明所建模型的预测能力越好。

图1 黄芩样本主、从机的原始光谱图 Fig.1 The master(M),slave(S) instruments original spectra of a scutellaria baicalensis sample

图 2 基于SWSRA方法筛选出的黄芩近红外光谱波长(*) Fig.2 NIR wavelengths of scutellaria baicalensis selected by SWSRA(*)

3 结果与讨论

3.1 黄芩波长的筛选

以ANTARIS Ⅱ NIR近红外仪为主机，另一台ANTARIS Ⅰ FT2 NIR近红外仪为从机，两台近红外仪在4 000～10 000 cm-1区间均有1 557个波长点。主机与从机的原始光谱如图1所示。图1表明两台仪器测得的同一黄芩样品的近红外光谱存在较大差异，直接将主机光谱模型转移到从机可能会产生较大误差。

按原理与方法中的各步骤，一致度参数a取8，特征参数b取2，分别根据SPXY选出的5、10、20个黄芩样品的主、从机光谱进行波长筛选，发现无论取几个样本筛选波长，选出的波长个数与波长点均相同，最终选出300个信号一致且稳定的特征波长(见图2)，图中曲线为72个黄芩光谱经过SNV+一阶微分预处理后的平均光谱。

图3 玉米样本主、从机的原始光谱图 Fig.3 Original spectra of a corn sample measured on three NIR instruments

图4 基于SWSRA方法筛选出的 玉米近红外光谱波长(*) Fig.4 NIR selection wavelength of corn based on SWSRA method(*)

3.2 玉米波长的筛选

以m5为主机，mp5和mp6为从机，3台近红外仪在1 100～2 500 nm光谱区间，间隔2 nm，共有 700个波长点。3台近红外仪的原始光谱如图3所示。

按原理与方法中的各步骤，一致度参数a取1，特征参数b取2，分别根据SPXY选出的5、10、20个玉米样品的主、从机光谱进行波长筛选，发现无论取几个样本筛选波长，选出的波长个数与波长点均相同，最终选出117个信号一致且稳定的特征波长点(见图4)，图中曲线为80个玉米光谱经SNV+二阶微分预处理后的平均光谱。

3.3 模型传递的结果分析

采用SPXY方法划分建模集和验证集样本，选取前3/4的样本作为建模集样本，其他作为验证集。即黄芩选取54个作为建模集，剩余18个作为检验集；玉米选取60个作为建模集，剩余20个作为检验集。其中黄芩的全波长模型与PDS校正模型光谱预处理是SNV+一阶微分，玉米的光谱全波长模型和PDS模型光谱预处理为SNV+二阶微分。

根据主、从机比值标准偏差SDSRI和样本间光谱比值的标准偏差SDSRS间的量级差异，定义特征参数b=SDSRS(j)/SDSRI(j)(b≥1,j为波长序号)，比较每一个波长下的SDSRI和SDSRS，挑选主机与各从机比值标准偏差SDSRI(j)*b小于样本间光谱比值的标准偏差SDSRS(j)的波长，满足此条件的波长组合为样本的特征波长点。取步骤(4)和(5)所筛选出的波长交集，则得到仪器间光谱信号稳定一致的特征波长，以这些波长下的光谱信息作为建立PLS模型的自变量。

“我”是一个觉醒的人，是不羁的野马，驰骋在前卫思想的荒原，同行者寥若晨星。“我”辗转奔波，上下求索，不麻木，不愚昧，不受束缚，是个清醒者，而周围的人都睡了。围墙外面，“我”茫然四顾，风萧萧，江水寒，孤身一人心悲惨，但是不怕，因为有梦，敢振臂，敢呐喊，敢斗争，是一个战士，笔为匕首，墨是鲜血，字是宣言，敢在荆棘丛中，在荒原大漠，在重重围墙之外探索一条希望之路。

由表1还发现，虽然全波长模型对从机样品黄芩苷预测值与实测值的R大于0.91，但其RMSEP高达1.8以上，MRE超过15%，误差和R的关系与“预测误差越小，R值越接近于1”这一常识矛盾。由图5A可见，全波长模型直接转移到从机后的模型值均大于实测值，对应的点(菱形)整体偏离对角线，但这些点的线性相关性好，故R值达到0.91以上；而从机光谱经PDS校正后，全波长模型值与实际值的差异显著减小，图5A中PDS校正后的点(三角形)接近对角线，但其线性相关性不及主机模型直接转移的结果(菱形点)，故其R值(0.833 5)并未随误差指标MRE(RMSEP)的降低而提高。根据图5B，SWSRA所建模型传递后的模型值和实际值的对应点大致分布在对角线周围，说明SWSRA得到的稳定一致特征波长信息在不同仪器间的差异很小，提高了模型的传递性能，故其主、从机的误差指标MRE、RMSEP及R均较好。

3.3.2 玉米PLS模型传递转移的结果分析 表2分别给出了玉米中水分、油脂、蛋白质根据SWSRA方法筛选出的117个波长下的光谱信息所建近红外模型无标样直接转移前后的结果，及全光谱模型转移前后的结果。由表2可知，全波长模型和SWSRA模型的RMSEC均较小，且均小于验证集的RMSEP，表明模型的拟合性能好；玉米中3种成分的SWSRA近红外模型转移后的MRE均小于4%，约为全波长模型转移后MRE的1/5～1/3，PDS校正后进行模型传递的MRE约为全波长模型直接转移后MRE的1/8～1/4。说明SWSRA筛选出的波长具有较高的稳定性、仪器间信号一致性好，其模型误差满足分析精度的要求。

表1 黄芩苷PLS模型传递前后的结果比较 Table 1 Comparison before and after calibration transfer of PLS model

ModelMethodBaicalinLVRMSECMRERMSEPRMWW100.296 90.038 50.517 60.847 4SWSRA80.462 60.027 60.418 50.870 2M to SWW10-0.154 71.822 30.910 5PDS10-0.031 80.440 70.833 5SWSRA8-0.042 90.622 80.695 2

notes:M,S stand for primary and secondary instrument,respectively;WW are whole wavelength；PDS:piecewise direct standardization correction,uses 16 representative samples as transfer set

图5 检验集黄芩苷的模型值与实测值的相关图 Fig.5 Correlation of the test set baicalin prediction value and reference value A：full wavelength model;B：SWSRA model;M,S,PDS were the same as those in Table 1

传统水轮发电机组振动在线监测与故障诊断系统基本都是采用单机式集中控制系统，利用变送器和传感器将所有监测机组的状态参量、电量以及非电量信号收集到计算机中，并按照相关规定进行计算、判断和维修。由于该集中控制系统具有较多的缺陷，如果中央控制计算机一旦出现故障，那么整个生产过程就会瘫痪。

表2 不同建模方法下的玉米数据PLS模型传递结果 Table 2 PLS model results of corn data with different model methods

ModelMethodLVRMSECMRERMSEPRMoistureMWW70.111 80.008 30.109 10.947 8SWSRA30.228 10.016 00.209 70.737 8S1WW7-0.175 71.571 70.747 7PDS7-0.022 60.273 40.775 5SWSRA3-0.034 40.410 80.687 1Proximal DS[16](*)---0.495 0-DDTOP[18](**)---0.292 3-S2WW7-0.180 81.612 60.694 5PDS7-0.022 00.262 80.724 2SWSRA3-0.023 90.308 90.639 0DTW[14](**)---0.280 0-Proximal DS[16](*)---0.499 0-RMTL[17](*)---0.140 2-OilMWW70.052 90.016 10.071 20.874 1SWSRA20.088 30.020 30.086 40.884 4S1WW7-0.081 70.308 70.783 5PDS7-0.020 00.092 90.785 2SWSRA2-0.024 60.111 60.866 7ATLD[15](*)---0.170 0-SST[15](*)---0.157 7-S2WW7-0.115 50.427 20.790 0PDS7-0.020 90.092 70.790 7SWSRA2-0.037 90.152 30.866 7ProteinMWW60.098 00.013 80.153 20.939 3SWSRA30.200 10.017 90.227 50.885 7S1WW6-0.090 50.825 60.928 7PDS6-0.015 10.168 10.936 0SWSRA3-0.026 50.294 00.837 7SCARS[10](**)---0.366 00.961 0S2WW6-0.106 10.964 00.923 8PDS6-0.016 60.183 60.929 5SWSRA3-0.026 90.288 60.847 5

notes:M,S stand for primary and secondary instrument,respectively;WW are whole wavelength;PDS:piecewise direct standardization correction,uses 16 representative samples as transfer set;* with standard samples;** without standard samples

表2还列出了文献采用玉米数据进行模型传递的研究结果[10,14-18]。总体而言，本文SWSRA方法对玉米水分模型的RMSEP略逊于有标样模型传递方法中的RMTL方法和无标样的DDTOP、DTW的结果，但与其他有标样模型传递及无标样模型传递方法的结果相比，SWSRA与其结果相近或更优，对玉米中水分、油脂、蛋白质的模型传递均可给出较好的结果。

图6为玉米各指标的全波长模型转移前后及SWSRA模型转移前后的模型值与参考值的相关图。该图表明，全波长模型直接传递至从机时，模型值整体偏大或偏小，对应的点在图6A、C、E中均偏离对角线，说明主机全光谱模型直接用于从机，会产生较大的系统误差。经PDS校正从机光谱后，全光谱模型的预测误差明显降低，对应的点在图6A、C、E中接近对角线；经SWSRA筛选波长后，所建模型无论对主机样本还是从机样本，模型值和实际值的对应点均大致分布在图6B、D、F的对角线周围，说明SWSRA模型自身及转移后的误差均较小。

乔治·桑：生活中的某个时刻，我们争取幸福、获得信任、感受陶醉的能力达到顶点。接下来，疑虑与忧郁就笼罩上来，并把我们永远裹住，就好像我们的灵魂不能再满足它们的需求。或许这就是其实正在黯然隐去的命运，我们被判定要缓缓地步下曾经乘兴勇敢地攀上的高坡。

1.3.2 前屋面覆盖物：棚膜选用透光好的长寿、无滴膜。棚膜外的覆盖物为草苫，每片草苫厚度要达到5厘米。为了加强保温，在草苫下加几层纸被，也可用双层苫。一般情况下，一层草苫可增温10℃，4～6层复合纸被增温7℃。所以说纸被的保温效果不如草苫。

图6 检验集中玉米各成分的PLS模型值与实测值的相关图 Fig.6 Correlation of the test set corn prediction value and reference value a：full wavelength model;b：SWSRA model;A,B:moisture;C,D:oil;E,F:protein；M,S,PDS were the same as those in Table 2

表2中玉米水分、油脂、蛋白质的全波长模型直接转移到从机后，MRE与RMSEP均高于对主机样本的预测结果，且R均有较大幅度的降低。即使经PDS校正从机光谱后，主机模型对从机样本的预测误差显著减小，但模型值与实测值R的改进有限，距主机R值差距仍较大。根据R的计算公式可知，R的大小受相关图中各点分布影响很大：如果样本点在对角线两边对称分布、数据分布范围很宽，R值会接近于1；反之，R则会偏小。分析图6发现，主机模型预测主机样本时，数据点分布比较均匀，故表2中对应的R值较理想，但模型转移后均有个别点距离对角线较远、数据点分布的对称性较差，导致模型转移后R变差。因此，模型传递文献中通常不报道R的结果，文献[10]以从机检验集预测误差最小为目标优化波长，模型预测从机样本的RMSEP及R值均很理想。本文个别点远离对角线(即实测值和模型值误差较大)的原因有待进一步探究。

4 结 论

本研究提出了基于光谱比值分析的波长筛选SWSRA方法，通过比较仪器间光谱比值的标准偏差、样本间光谱比值的标准偏差、精密度测试光谱比值的标准偏差，选择仪器间光谱信号一致性好且能体现样品差异的特征波长点，用这些波长点的光谱信息建立NIRS模型，有效地扣除了仪器间光谱响应的差异，显著提高了模型传递的预测效果，其模型转移至从机后的误差大大低于全波长模型直接转移的误差。由于SWSRA所用光谱信息仅为全光谱的1/5左右，其模型转移后的预测误差通常高于PDS校正后的，但该法所建玉米水分、油脂及蛋白质的NIRS模型在3 台同类型近红外仪之间无标样传递的误差在4%以内；黄芩苷的NIRS模型在同类型不同型号仪器间传递的误差在4.3%以内。模型精度满足分析要求。

3.预防[9，15，19-20]：如患者结核潜伏感染相关检测结果为阳性，可用以下方案进行干预。优选方案：异烟肼300 mg，1次/d，口服，共9个月；或异烟肼，2次/周，每次900 mg，口服，共用9个月。联合使用维生素B6可减少周围神经炎发生（25 mg/d，口服，用至预防用药疗程结束）。替代方案：利福平600 mg，1次/d，口服，连用4个月；或口服利福布汀，连用4个月（剂量依据HAART用药不同而具体调整）。在进行预防性化疗之前应注意排除活动性结核病的可能。

采用SWSRA方法进行波长筛选时，只需主、从机提供5个共同样本的光谱即可获得稳定一致的特征波长。该方法具有模型参数少、模型稳健、传递性能良好等优点，模型传递时无需再提供主、从机标样光谱，使用方便，便于推广。该方法亦可用于其他类型分子光谱模型的传递，对于基于光谱信号的快检技术的推广应用有重要价值。

其中，为初始半径，C2=2αNrσ2,α是一个常数[9]；ΘC是Y′为中心、C为半径的球体空间内点的集合.

参考文献：

[1] Chu X L.Molecular Spectroscopy Analytical Technology Combined with Chemometrics and Its Applications.Beijing:Chemical Industry Press(褚小立.化学计量学方法与分子光谱分析技术.化学工业出版社),2011:10-12.

[2] Ni L J，Luan S R,Zhang L G.Chin.J.Chin.Mater.Med.(倪力军,栾绍嵘,张立国.中国中药杂志),2016,41(19):3520-3527.

[3] Thygesen L G,Lundqvist S O.J.Near Infrared Spectrosc.,2000,8(3):183-189.

[4] Chu X L,Yuan H F,Wang Y B,Lu W Z.Spectrosc.Spectral Anal.(褚小立,袁洪福,王艳斌,陆婉珍.光谱学与光谱分析),2004,24(6):666-671.

[5] Ferré J,Feudale R N,Woody N A,Tan H,Myles A J,Brown S D.Chemom.Intell.Lab.Syst.,2002,64(2):181-193.

[6] Yu B,Ji H,Kang Y.Spectrosc.Lett.,2016,49(1):23-29.

[7] Zhang J,Cai W S,Shao X G.Prog.Chem.(张进,蔡文生,邵学广.化学进展),2017,29(8):902-910.

[8] Li X Y,Xu Z H,Cai W S,Shao X G.Anal.Chim.Acta,2015,880:26-31.

[9] Li X Y,Cai W S,Shao X G.J.Near Infrared Spectrosc.,2015,23(5):285-291.

[10] Zhang X Y,Li Q B,Zhang G J.Spectrosc.Spectral Anal.(张晓羽，李庆波，张广军.光谱学与光谱分析),2014,34(5):1429-1433.

[11] Wang J X,Li H,Xing Z N,Guo H G.J.Instrum.Anal.(王菊香，李华，邢志娜，郭恒光.分析测试学报),2011,30(1):43-47.

[12] Galvão R K H,Araujo M C U,José G E,Pontes M J C,Silva E C,Saldanha T C B.Talanta,2005,67(4):736-740.

[13] Ni L J,Zhang L G.Basic Chemometrics and Its Applications.Shanghai：East China University of Science Press(倪力军,张立国.基础化学计量学及其应用.上海:华东理工大学出版社)，2011:237.

[14] Luo Z C.Research on Autoencoder Modeling and Calibration Tranfer in Near-Infrared Spectroscopy.Guilin：Guilin University of Electronic Technology(雒志超.近红外光谱的自编码网络建模及模型传递方法研究.桂林:桂林电子科技大学),2015.

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

[16] Boucher T,Dyar M D.J.Chemom.,2017,31(4):e2877.

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

[18] Poerio D V,Brown S D.Appl.Spectrosc.,2018,72(3):378-391.