近红外光谱模型传递研究

针对不同型号的近红外光谱仪器(主机：SupNIR-2700,从机：Nicolet Antaris Ⅱ)间的模型传递和同一仪器(Nicolet Antaris Ⅱ)不同分辨率的光谱间的模型传递进行研究,提出了一种改进的PDS算法-SP-SG1st-PDS算法,该方法结合三次样条插值、Savitaky-Golay一阶求导和PDS算法。思路是通过三次样条插值拟在不破坏原始光谱固有的信息的前提下实现了主光谱与从光谱之间的匹配,然后对光谱进行S-G一阶求导去除光谱的基线漂移,再通过PDS算法进行模型传递,有效消除主、从光谱之间的差异,提高多元校正模型的预测精度。该方法用于醋酸乙烯酯在乙烯-乙酸乙烯酯共聚物中含量的研究,并且与小波去噪方法和S-G平滑方法作比较。实验表明：对于不同型号的仪器间的模型传递,新方法采用S-G一阶求导较其他方法有明显的优势,其验证集预测精密度RMSEP从20.595 0降低至0.374 8,明显优于S-G平滑(0.522 1)和小波去噪(0.516 7)方法,预测偏差也同样地被改善。对于同一仪器不同分辨率的光谱之间的模型传递,在模型传递前后其模型预测精密度RMSEP从0.272 2减少至0.255 3。通过提出的SP-SG1st-PDS算法,模型传递能应用于不同类型仪器之间,也能用于相同仪器不同分辨率的光谱之间,并且取得了满意的传递结果。     

双光谱区间遗传算法及其在模型转移中的应用

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。     

基于SVR的傅里叶变换型近红外光谱仪间数学模型传递的研究

近红外分析的一个重要基础是数学模型。不同的近红外光谱仪间由于对同一个样品响应的差异,导致一台仪器上建立的数学模型不能直接用于另一台仪器上样品的分析,需要进行模型传递。文章以两台傅里叶变换近红外光谱仪为实验研究对象,以玉米粉末样品为实验材料,采用移动窗口支持向量回归机(SVR)方法,把一台仪器上建立的近红外定量分析数学模型传递到另一台仪器上：当SVR回归的窗口大小为31个波长点,传递样品个数为15个时,模型传递效果较好,以“主机”所建蛋白含量的数学模型分析“从机”上修正后的光谱,化学测定值和近红外预测值间的相关系数提高到0.943 4,相对标准差为4.23%。表明采用移动窗口SVR法进行傅里叶变换近红外光谱仪间数学模型的传递是可行的。     

蛋白饲料原料粗蛋白含量近红外光谱模型转移研究

建立良好的蛋白饲料近红外光谱定量分析模型及实现在不同仪器间的模型共享,能极大提高模型的利用效率,满足饲料行业快速发展的需要。针对蛋白饲料原料粗蛋白含量近红外分析模型适用性问题,首次采用光谱差值转移、直接校正和分段直接校正法进行了三台不同类型的近红外光谱仪之间的模型转移研究。实验样品为四种蛋白饲料原料：玉米蛋白粉、菜粕、酒糟和鱼粉。实验仪器包括MATRIX-Ⅰ傅里叶变换型近红外光谱仪(主仪器),Spectrum 400傅里叶变换型近红外光谱仪(从仪器1)和SupNIR-2750光栅扫描型近红外光谱仪(从仪器2)。研究表明,同一样品体系在主仪器和从仪器2上所得光谱数据的差异性相对较小,且均与从仪器1所得光谱数据的差异性相对较大。除分段直接校正法对玉米蛋白粉从仪器2的预测结果无促进作用之外,其他模型的预测均方根误差和系统偏差均明显低于转移前。玉米蛋白粉、菜粕和酒糟样品采用三种方法转移后的模型预测相对分析误差(RPD)均大于3.0,预测效果良好。鱼粉样品模型转移后的预测RPD均大于2.5,预测效果较好。三种方法对于蛋白饲料原料不同仪器间的光谱差异进行了有效校正。该研究结果对于蛋白饲料品质近红外快速分析模型的广泛应用具有重要意义。     

表面增强拉曼光谱检测鸡蛋蛋清内三聚氰胺的定量方法研究

三聚氰胺对人体有害,鸡蛋内三聚氰胺定量检测非常有必要。以鸡蛋蛋清为研究对象,应用表面增强拉曼光谱技术结合化学计量学方法对蛋清内三聚氰胺进行了定量检测。首先采用人工饲养蛋鸡的方法获取含有三聚氰胺的样品鸡蛋。然后使用便携式拉曼光谱检测仪(Opto Trace RamTracer-200)和拉曼增强试剂测定蛋清的表面增强拉曼光谱,同时利用气相色谱质谱技术测定相应蛋清中三聚氰胺的含量。利用Raman Analyzer对拉曼光谱基线进行校正。应用相关系数法从表面增强拉曼光谱中选取320个光谱变量作为输入变量,建立偏最小二乘定量校正模型;并应用谱峰分解法建立谱峰分解定量校正模型。两种模型建立过程中均选定90个样本做为模型校正集,44个样本做为模型验证集,两种模型都有较好的预测效果。偏最小二乘定量校正模型预测值与气相色谱质谱联用法(GC-MS)测定值的决定系数R2为0.856,预测均方根误差RMSEP为1.547;谱峰分解定量校正模型R2为0.947,RMSEP为0.893。实验结果表明,该方法能有效定量检测鸡蛋内三聚氰胺,检测一个样本仅需15 min,为蛋品的三聚氰胺检测提供了一种新途径。     

波长漂移对近红外光谱PLSR分析模型的影响

在近红外光谱分析过程中,单台仪器在不同时间的波长变化及多台仪器间的波长一致与否会对化学计量学定标模型的校正及传递效果产生影响,上述问题可以统一为波长漂移对定标模型的影响.以分析小麦粉中粗蛋白含量为例,首先结合不同谱区光谱数据,利用偏最小二乘回归(PLSR)方法建立了两个定标模型.再由计算机生成不同类型、不同幅度的波长漂...     

多种红外光谱校正法的两面针产地鉴别研究

由于红外光谱数据采集受仪器状态和实验环境的制约,影响对样品的正确识别。基于傅里叶变换红外光谱(FTIR)技术,用多种方法对两面针的红外光谱数据进行校正后,利用SIMCA法建立鉴别模型;分别对广西区内四个产地的两面针进行鉴别,通过比较分析以获得最适合建立两面针产地鉴别模型的光谱数据校正方法。结果显示,经多元散射校正和标准正态变换后,它们的PCA数据分布,以及产地分类模型之间的距离,都表明这两种校正方法在消除环境和人为因素的干扰的同时,能够很好的分离各个产地的样本,在对实际的样本识别中,其识别率和拒绝率均达到或接近100%。可见,多元散射校正和标准正态变换,均是两面针产地模型鉴别研究的理想校正方法。     

LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选

为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

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（R2_p）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（R2_p=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（R2_p=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（R2_p=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（R2_p=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。     

面向近红外光谱定量分析的深度学习建模与模型迁移

近红外光谱分析技术依赖于表征光谱向量和预测目标之间关系的化学计量学方法。然而，样品的光谱由信号和各种噪声组成，传统化学计量学方法较难直接提取光谱的有效特征，并为复杂的预测任务建立具有较强泛用性的校正模型。进一步地，受限于仪器间的差异，在一台仪器上建立的模型应用于另一台仪器时，难以取得相同的定量分析结果。为此，提出了一种基于卷积神经网络和迁移学习的定量分析建模及模型传递方案，以提高模型在单仪器和跨仪器上的预测性能。在卷积神经网络的基础上，一种结合多尺度特征融合和残差结构，名为MSRCNN的先进模型被设计，并在主仪器上展现了卓越的预测能力。然后，设计了四种的基于fine-tune模型迁移策略，将在主仪器上建立的MSRCNN模型迁移到从仪器。在药品和小麦的公开数据集上的实验结果表明，MSRCNN在主仪器上的RMSE和R2分别为2.587，0.981和0.309，0.977，优于PLS，SVM和CNN。在利用30个从仪器的样本微调主仪器建立的模型后，迁移MSRCNN中的卷积层和全连接层的方案取得了最好效果，其RMSE和R2可分别达到2.289，0.982和0.379，0.965。增加参与模型微调的从仪器样本，可进一步提高性能。     

近红外光谱(NIRS)技术快速测定湖泊沉积物营养组分研究

湖泊沉积物保存了湖泊环境演化的重要信息,但目前还没有建立起快速、准确的湖泊沉积物营养组分组合分析方法。该文利用近红外光谱(NIRS)技术,采用一阶导数、小波滤噪、正交信号校正、小波滤噪+正交信号校正、一阶导数+正交信号校正、正交信号校正+小波压缩6种光谱预处理技术和偏最小二乘(PLS)法相结合在国内建立了NIR光谱测定湖泊沉积物柱芯样品中总碳(TC),总氨(TN),总有机碳(TOC)和总磷(TP)的校正模型,结果表明虽然NIR光谱校正模型对TOC的预测效果不理想,但一阶导数+正交信号校正光谱校正模型对TC和TN,正交信号校正光谱校正模型对TP的预测效果较好,预测相关系数分别为0.759 7(TC),0.865 0(TN)和0.811 2(TP),预测误差(RMSEP)分别为0.13%(TC),0.008 2%(TN)和0.012%(TP)。该研究对于推动我国湖泊沉积物的光谱学特性研究具有重要意义。     

温度影响下短波近红外酒精度检测的传递校正

短波近红外光谱结合多元校正方法测量酒精度具有快速、无损的特点,可以现场应用和在线检测。但是温度对预测模型的性能影响很大。作者研究了温度变化对乙醇水溶液的短波近红外光谱的影响,采用四种方法建立了温度变化下的偏最小二乘(PLS)传递校正模型：直接校正、全局校正、正交信号处理(OSC)和广义最小二乘加权法(GLSW)。结果表明,温度变化时直接传递校正存在很大的预测系统偏差,而采用全局校正、OSC和GLSW均能在一定程度上减小系统误差。全局校正需要较多的建模样品数量,得到的模型也更为复杂。而OSC和GLSW方法能得到更为简洁的模型和优良的预测结果。相比之下,GLSW算法得到的预测误差和使用的建模隐含变量数目均小于OSC方法,能够建立更为稳健的传递校正模型。     

可见-近红外光谱的模型转移分类方法

基于光谱技术建立的多元校正模型通常条件下只适用于同一台仪器、相同的测试条件及同批次或同类别的样品。在仪器、测试环境、样品发生变化后,已建光谱模型不再适配,需要进行模型转移。模型转移是限制光谱技术推广应用的关键技术瓶颈,模型转移是否成功直接影响到可见-近红外光谱技术的推广应用,为此,综述了其研究现状,并探讨了其未来发展方向。首先,将模型转移问题分成了两类：第一类是相同样品在不同仪器或不同测试环境（不同温度/不同湿度）等条件下产生的模型不适配问题;第二类是不同批次、不同物理形态、不同种类间产生的模型不适配问题。这两类问题性质不同,解决第一类模型转移,能够保证同源样品的准确性和稳定性;解决第二类,能够实现光谱模型在不同样品间的自动传递和匹配应用。然后,梳理了常用的模型转移算法并进行了分类,包括模型更新、基于光谱校正算法、基于结果校正算法等,并列举了每个类别的模型转移算法的应用。模型更新是一种重新计算模型系数最直接的方法,通过扩展和调整模型来满足新的变化;基于光谱校正算法是通过算法计算转移矩阵,实现对光谱的校正;基于结果校正算法是通过算法计算预测结果和实际结果系数,从而实现预测结果的校正。最后,指出未来应着重研究第二类模型转移问题,并且要寻找能够实现机器自动校正的模型转移,从根本上解决模型转移这一限制光谱速测应用的主要技术瓶颈。     

平均分布差异最小化的NIR标定迁移方法研究

凭借高效、无损和环保的优点,近红外光谱在多个领域广泛用作物质快速分析方法的同时,仍面临着光谱标定模型生命周期短,构建仪器标定迁移方法的标准样品难以获得和保存等问题。在化学计量学文献中,迁移方法通常能够矫正主从仪器之间的光谱差异,但绝大多数方法都需要在两台仪器相同条件下测量一组迁移标准样品。虽然样品数目不必过多,但总体上表明,必须对其进行很好的选择才能保证成功迁移。对于在主从仪器中选择代表性的样本子集,现有Kennard-Stone算法作为样本选择的主要算法。在标准样本的确定问题中,假设主仪器已找到标准样本,选择的样本集需要在从仪器中进行测量,仅当迁移样本足够稳定时才有可能,但现有近红外光谱技术无法保证这一点。如果假设使用从仪器的样本作为标准样本,考虑到新工业应用中光谱光源的变更,主仪器被从仪器代替,因此不再可用。基于目前存在的这些问题,提出了一种平均分布差异最小化的NIR标定迁移方法（MCT）, 此方法可以在不考虑从仪器标准样本（即标准样本自由）的情况下,针对近红外光谱数据的多重共线性,首先假设存在一个主从仪器光谱的共同偏最小二乘子空间,并将主从仪器光谱数据分别投影到该公共子空间;然后,引入平均分布差异最小化算法,即分别给出主从光谱数据在子空间的平均分布中心表示函数,在最小化两个光谱平均分布（中心点）的差异的同时,最大化投影后主仪器光谱的协方差,推导求解出最佳子空间;最后,将主光谱样本和从光谱预测样本分别投影到该偏最小二乘子空间中,利用主光谱数据得到回归模型,该模型可用于预测从光谱浓度。通过对玉米数据集和小麦数据集的测试研究,证明的预测效果与SBC,PDS,CCACT,TCR和MSC相比有所改善,该方法可以实现更低的预测误差。     

便携式近红外光谱仪对涤/棉混纺织物的快速无损鉴别

利用便携式近红外光谱仪对376个涤/棉混纺织物进行研究,利用定量分析模型中的偏最小二乘法(partical least squares,PLS)作为校正方法,结合涤/棉混纺织物中涤、棉含量设定的定性鉴别系数,建立了涤/棉混纺织物的半定量-定性分析校正模型。该模型对涤/棉混纺织物进行定性鉴别的同时得出其相对含量,分析结果具有半定量性质。在建模过程中,采用Savitzky-Golay导数法,消除噪声和基线漂移对光谱的影响,并研究了波段选择和不同预处理方法对定性校正模型的影响。纯棉的主要吸收峰位于1 400~1 600 nm,纯涤的主要吸收峰位于1 600~1 800 nm,随着涤或棉含量的增加,其相应的吸收峰强度增强,因此,建模波段以涤、棉主要吸收峰区间为基本波段,进行双向扩展,得到最佳波长区间1 100~2 500 nm(相关系数0.6,波点数934)。利用所建校正模型对验证集样本进行预测,结果表明,在1 100~2 500 nm处,预处理方法为Savitzky-Golay导数、多元散射校正与均值中心化相结合时,该模型评价参数较佳,其中RC(校正集相关系数)0.978,RP(验证集相关系数)0.940,SEC(校正标准差)1.264,SEP(预测标准差)1.590,样品预测正确率达93.4%。表明该定性分析校正模型能够较好地对涤/棉混纺织物进行半定量-定性预测。     

基于漫透射光谱技术的番茄可溶性固形物及总糖含量的无损检测

为了满足果蔬品质快速安全无损检测,基于可见-近红外漫透射原理,设计了番茄专用环形光源,自行搭建了番茄可见-近红外漫透射多品质检测系统,并以可溶性固形物含量(SSC)和总糖(TS)作为内部品质指标,对58个番茄样品进行了快速无损检测研究。基于自主搭建的系统对每个番茄进行四点的光谱采集,对平均后的光谱分别用15点SG卷积平滑(SG-Smooth)、标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)等方法进行了预处理,分别建立了SSC及TS的偏最小二乘预测模型,并对该模型进行了验证。结果表明：采用15点SG平滑预处理后的SSC预测模型校正集和预测集相关系数分别为0.995 6和0.976 0,均方根误差分别为0.052 4°Brix和0.082 3°Brix。采用SG平滑后一阶导数预处理的TS预测模型校正集和预测集相关系数分别为0.969 1和0.972 9,均方根误差分别为0.423 8%和0.454 9%。模型验证结果显示,番茄SSC和TS模型预测结果与标准理化值相关系数分别为0.985 5和0.944 9,均方根误差分别为0.066 3°Brix和0.571 5%。利用自行搭建的可见-近红外漫透射光谱检测系统完全可以实现番茄可溶性固形物及总糖含量的快速无损预测,为番茄内部品质的评价提供了实时、无损、快速的检测方法,为其在线分级提供理论基础。     

DS算法在近红外光谱多元校正模型传递中的应用

模型传递问题是近红外光谱分析技术中一个关键的共性基础技术问题。模型传递通过在同一型号的两台仪器之间寻求一种变换关系,使得在一台仪器上建立起的模型能够应用于另外一台仪器样品光谱响应的预测。文章将直接校正(direct standardization,DS)算法应用于化学计量学多元校正中的模型传递,并研究了模型转换集样品的选择方法。在两台AOTF近红外光谱仪上进行了模型传递实验,首先采用Kennard/Stone算法选择转换集样品,然后采用DS方法进行模型传递。实验结果表明采用DS算法取得了较好的模型传递效果。DS算法不仅可以应用于不同仪器之间的光谱分析模型传递,而且该方法对于同一仪器的长时间漂移或者由于部件的更换、测量环境的改变等引入的光谱差异校正也是适用的。     

基于集群方法(ER)的近红外光谱转移集优化法

近红外光谱因为具有小成本、易操作、低耗时等优点,所以广泛用于食品领域.作为一种间接的检测方法,近红外光谱检测需要建立光谱和浓度之间的统计模型.但是,一种条件下建立的模型在另一种检测条件下会失效.针对此问题,重新建模可以加以解决,但是重新建立光谱与浓度之间的模型非常繁琐耗时.此时,模型转移可以在避免重新建模的情况下,通过...     

基于稳定竞争自适应重加权采样的光谱分析无标模型传递方法

提出了一种基于稳定竞争自适应重加权采样(stability competitive adaptive reweighted sampling,SCARS)的无标模型传递方法。利用有用信息标准即稳定度指数(定义为回归系数除以其标准偏差的绝对值)和传递后的预测均方根误差(root mean squared error of prediction,RMSEP),选择重要的、受测样参数影响不敏感的波长变量,能够消除或减少不同仪器或测量条件对样本信息反应差异,提高模型传递效果。此外,在该方法中,光谱变量被压缩、降维,从而使模型传递更稳定。采用该方法对谷物的近红外光谱分析模型在不同仪器之间进行传递研究。结果表明,该方法能消除仪器间的大部分差异,较好地实现模型传递效果。与正交信号校正法(orthogonal signal correction,OSC)、蒙特卡罗结合无用信息变量消除法(Monte Carlo uninformative variable elimination,MCUVE)、竞争自适应重加权采样法(competitive adaptive reweighted sampling,CARS)的比较表明,SCARS不仅在传递精度上能取得比OSC、MCUVE及CARS更好的效果,而且能有效地对光谱数据进行压缩,简化并优化传递过程。     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。