机的原因而有较严重的失真，这些样品的测定值称为异常值。为保证所建数学模型的可靠性，在建立模型时应当剔除这些异常值。2125建立模型选择算法、确定模型的参数、建立、检验与评价数字模型：常用的算法有逐步回归分析、偏最小二乘法、主成分回归分析等。这些算法的基本思想
f是应用近红外光谱的全光谱的信息，以解决近红外光谱的谱峰重叠与复杂背景的影响。2126模型验证用外部证实法检验和评价数学模型，以检验数学模型在时间空间上的稳定性。可以用另外几批独立的、待测量已知的检验样品集，用数学模型预测计算检验集中各样品的待测值；对实际值与预测值作线性相关，并用相关系数和预测标准差来表示预测效果。
22模型维护与扩展
221为什么要维护与扩展校正模型建立一个校正模型通常是从一个小的光谱数据库开始的。数据库小，模型的适用范围就必然受到限制。这也就意味着要想使一个模型更加稳定、适用范围更加宽广，就需要不断地对模型的数据库进行扩充。222扩展校正模型步骤通过扫描光谱与实验数据建立具有数据对应关系的光谱文件，再使用该文件对旧方程进行扩展，形成新方程，并对新方程进行验证。
23具体例子分析
231方程选择使用改进偏最小二乘法MPLS建立校正模型，为消除光谱信号的基线漂移，随机噪音及颗粒度不均匀引起的散射，光谱采用三种去散射处理和三种导数处理结合，共9中光谱预处理方法。三种去散射处理包括无散射No
e，标准正态变量校正结合去除趋势校正SNVD，加权多元去散射校正WMSC；三种导数处理包括122114412441，个数值依次代表导数处理阶数，导数数据间隔，平滑点数及二次平滑点数。模型建立过程中，定标集被分成6个交互验证组，以最小交互验证标准差SECV确定最佳主因子数。异常值判断与剔除是影响模型预测效果的关键因素。方程采用两轮异常值剔除过程，剔除光谱异常值GH≥10及化学异常值T≥25。以最高交互验证决定系数1VR和最低SECV值确定最佳校正模型。如图二所示，蛋白最佳方程应为SNVD2441处理得到的。
f图二
232外部验证校正模型建立后，除用自身最高交互验证决定系数1VR和最低SECV值衡量外，还需要用外部检验的方法来评价模型的可靠性，以保证模型在实际使用中的效果。选取已知样品对模型进行验证，如下图所示，样品（粗蛋白）预测值准确度较高，基本达到了分析要求（表一可见，样品预测值与参考值误差较小；图三为蛋白化学值与预测值之间相关散点图，r