Dans les applications réelles de calibration multivariée, de nombreux facteurs influencent la performance prédictive du modèle de moindres carrés partiels (PLS). Le bruit de l'instrument, en tant que source intrinsèque des données spectrales, est un facteur d'influence important. Les travaux antérieurs utilisent souvent divers filtres ou méthodes de lissage pour réduire l'impact du bruit de l'instrument. Cependant, peu d'études rapportent comment le bruit de l'instrument affecte le processus de modélisation PLS et la capacité prédictive du modèle. Cet article explique et démontre comment le bruit de l'instrument est introduit dans le modèle via le calcul de la première variable latente. À travers une dérivation théorique du processus de calcul PLS, il est discuté que l'introduction du bruit a un effet cumulatif sur le calcul des vecteurs de poids et de charges PLS, et que cet effet est transmis dans le modèle via le calcul des variables latentes suivantes, affectant ainsi le modèle PLS. Une décomposition théorique de l'erreur de prédiction du modèle PLS est également effectuée, divisant l'erreur en une erreur du modèle idéal sans bruit et une erreur due à la propagation du bruit. Les résultats montrent que le bruit de l'instrument réduit non seulement les performances prédictives du modèle PLS, mais influence également le choix de la complexité optimale du modèle.

Spectre proche infrarouge;Moindres carrés partiels;Calibration multivariée;Bruit de l'instrument