El espectro de infrarrojo cercano es fácilmente afectado por muestras atípicas en el análisis cuantitativo. El espectro se forma por la superposición de picos de absorción de grupos hidrogenados. Los métodos tradicionales analizan el espectro completo basándose únicamente en características globales, lo que dificulta identificar características atípicas sutiles en picos específicos, y sus umbrales fijos carecen de adaptabilidad. Por ello, este artículo propone una estrategia para reconocer muestras atípicas basada en la descomposición de mezcla gaussiana, estableciendo un modelo de mezcla gaussiana dentro de los picos de absorción clave, descomponiendo los picos superpuestos en múltiples componentes gaussianos, y luego estableciendo un rango normal basado en el criterio de rango intercuartílico para la amplitud de cada componente, considerando muestras fuera de este rango como atípicas. El método propuesto se aplicó para predecir la concentración total de azúcar en la mezcla de la etapa de materias primas de la fermentación de ácido cítrico. Los resultados muestran que el método identifica eficazmente las muestras atípicas tanto construidas artificialmente como en espectros reales. En comparación con el espectro original, el modelo PLS construido después de eliminar muestras atípicas redujo el RMSE en un 34.69% y mejoró el R2 en un 26.28%. Este método, al analizar la composición de los picos de absorción, permite una detección adaptativa de características atípicas locales, proporcionando un enfoque estructurado y explicable para mejorar la calidad del espectro de infrarrojo cercano.

espectro de infrarrojo cercano; reconocimiento de muestras atípicas; modelo de mezcla gaussiana; descomposición de picos superpuestos; fermentación de ácido cítrico