胡 芸，李博岩，张 进，彭黔荣

1.贵州中烟工业有限责任公司技术中心，贵州 贵阳 550009 2.贵州医科大学食品科学学院，贵州 贵阳 550025

引 言

近年来，基于近红外光谱的快速检测分析迅速发展并被广泛应用于烟草、石油等领域。近红外光谱分析主要是通过收集大量样品数据建立多元校正模型，进而实现组分的定性和定量分析目的。与常规检测方法相比，具有无损、绿色、简单快捷等优点。在实际应用过程中，由于近红外仪器的更新、维修、老化，或不确定的外界因素等变化会引起光谱数据的改变，从而导致校正模型的预测能力降低或者根本不能使用。因此，为了提高模型预测的准确性和适用范围，研究与应用合理的模型转移方法就显得尤为重要。

模型转移的主要思路是建立主机(master instrument)和子机(slave instrument)光谱、模型参数或预测值之间的函数关系，进而校正由于仪器或检测环境因素变化导致的样本预测误差[1-3]。按照校正的对象不同，模型转移方法大致可以分为三类：(1)对预测结果进行校正，如模型斜率/截距(S/B)修正算法等[4]；(2)对光谱进行校正，如分段直接标准化(piecewise direct standardization,PDS)等[5-8]；(3)对模型参数进行校正，如两步偏最小二乘方法等[9]。模型参数校正方法简单、实用，不涉及近红外光谱的校正。当然，不同的分析体系所适用的模型转移方法会不同，转移模型的预测准确性也有差异。

正则化(regularization)是一种通用的防止参数过拟合的方法。在化学计量学回归和聚类算法中广泛使用不同的正则化约束方法[10]，如岭回归、LASSO和弹性网等。……