Para resolver o problema da baixa generalização do modelo na técnica de análise espectral no infravermelho próximo, foi proposto um novo método de transferência de modelo — regressão por ângulo mínimo combinada com padronização direta de regressão linear simples univariada (Least angle regression combined simple linear regression direct standardization, LAR-SLRDS). Este método primeiramente utiliza a transformação wavelet para pré-processar os dados espectrais das amostras, em seguida utiliza LAR para selecionar os pontos de comprimento de onda característicos em todo o espectro da amostra e, finalmente, utiliza SLRDS para calibrar as variáveis selecionadas. O desempenho do LAR-SLRDS foi validado com dados espectrais no infravermelho próximo de amostras de gasolina e medicamentos. As diferenças espectrais dos componentes C7, C8, C9 e C10 no conjunto de dados de gasolina foram 0,0028, 0,0027, 0,0026 e 0,0027, respectivamente, com desvios padrão de previsão de 0,4106, 0,8492, 1,0349 e 1,2158; as diferenças espectrais dos componentes de atividade, dureza e peso no conjunto de dados de medicamentos foram 0,0300, 0,0318 e 0,0336, com desvios padrão de previsão de 1,9338, 0,4402 e 2,1309. Os resultados mostram que o algoritmo LAR-SLRDS pode não apenas eliminar as diferenças entre os espectros dos instrumentos principais e secundários para realizar a transferência do modelo, mas também melhorar a precisão e a estabilidade do modelo quantitativo PLS, possuindo amplo potencial de aplicação.

técnica de espectroscopia no infravermelho próximo; transferência de modelo; regressão por ângulo mínimo; padronização direta de regressão linear simples univariada