Para abordar el problema de la baja generalización del modelo en la técnica de análisis de espectroscopía en el infrarrojo cercano, se propuso un nuevo método de transferencia de modelos — regresión por ángulo mínimo combinada con la estandarización directa de regresión lineal simple univariada (Least angle regression combined simple linear regression direct standardization, LAR-SLRDS). Este método primero utiliza la transformada wavelet para preprocesar los datos espectrales de las muestras, luego emplea LAR para seleccionar los puntos de longitud de onda característicos en todo el espectro de la muestra y finalmente utiliza SLRDS para calibrar las variables seleccionadas. Se validó el rendimiento de LAR-SLRDS con datos espectrales en el infrarrojo cercano de muestras de gasolina y medicamentos. Las diferencias espectrales de los componentes C7, C8, C9 y C10 en el conjunto de datos de gasolina fueron 0.0028, 0.0027, 0.0026 y 0.0027, respectivamente, con desviaciones estándar de predicción de 0.4106, 0.8492, 1.0349 y 1.2158; las diferencias espectrales de los componentes de actividad, dureza y peso en el conjunto de datos de medicamentos fueron 0.0300, 0.0318 y 0.0336, con desviaciones estándar de predicción de 1.9338, 0.4402 y 2.1309. Los resultados muestran que el algoritmo LAR-SLRDS no solo puede eliminar las diferencias entre los espectros de instrumentos principales y secundarios para lograr la transferencia del modelo, sino que también puede mejorar la precisión y estabilidad del modelo cuantitativo PLS, con un amplio potencial de aplicación.

técnica de espectroscopía en el infrarrojo cercano; transferencia de modelo; regresión por ángulo mínimo; estandarización directa de regresión lineal simple univariada