最常见的近红外光谱的预处理技术的综述
近红外光谱数据预处理
近红外光谱数据预处理
近红外光谱数据预处理是将原始光谱数据进行清洗、校正和转换，以提高数据质量并使其适合后续数据分析和建模。
下面是一些常见的近红外光谱数据预处理步骤：
1. 背景处理：处理光谱中的背景噪声。
可以通过采集背景光谱并从样本光谱中减去背景光谱来实现。
2. 光谱对齐：将不同样本的光谱对齐，以确保它们从同样的起点和终点开始。
这可以通过插值或者使用标准光谱进行校准来实现。
3. 波长选择：选择感兴趣的波长范围。
有时，只有特定的波长信息是有用的，可以通过删除不必要的波长来减小数据集的维度。
4. 数据平滑：使用平滑算法（如Savitzky-Golay算法）来降低数据中的噪声，并提高光谱的光滑性。
5. 数据标准化：对光谱数据进行标准化，使得不同样本的数值范围一致。
常用的标准化方法包括最大最小值标准化、均值方差标准化等。
6. 数据去噪：对光谱数据进行去噪处理，例如使用小波变换或者降噪算法（如小波阈值降噪）。
7. 数据降维：对光谱数据进行降维处理，以减少数据的维度和特征数量。
常见的降维方法包括主成分分析（PCA）和偏最小二乘回归（PLS）等。
8. 数据插补：对存在缺失值或异常值的数据进行插补或处理，以填补数据空缺或修复异常值。
以上是一般常见的近红外光谱数据预处理步骤，具体的预处理方法可以根据数据的特点和需求进行选择和调整。
近红外光谱分析的原理技术与应用
近红外光谱分析的原理技术与应用引言近红外光谱分析是一种非破坏性、快速、准确的分析技术，广泛应用于食品、医药、化妆品、环境监测等领域。
本文将介绍近红外光谱分析的原理、技术和应用。
近红外光谱分析的原理近红外光谱分析利用物质吸收或反射近红外光时产生的特征光谱来分析物质的成分和性质。
近红外光谱分析主要基于以下两个原理：1.分子振动吸收原理：物质中的化学键振动会引起近红外光的吸收，吸收峰的位置与化学键的特异性有关。
2.红外光与物质的相互作用原理：物质吸收了红外光后，其分子内部发生改变，从而产生特征的近红外光谱。
近红外光谱分析的技术近红外光谱分析的技术主要包括光源、光谱仪和数据处理三个方面。
光源常用的光源有白炽灯、光电二极管和激光等。
其中白炽灯发射连续谱，适用于宽波长范围的分析；光电二极管具有快速响应和高稳定性，常用于近红外光谱分析仪器；激光具有较高的亮度和窄的波长范围，适用于特定波长范围的分析。
光谱仪常用的光谱仪有分光镜、光栅和红外线摄像机等。
分光镜通过将近红外光谱聚焦到光栅上，并通过旋转光栅来选择不同波长光线；光栅则将不同波长的光线分散成不同的角度形成光谱；红外线摄像机可通过感应近红外光谱并将其转换成数字信号。
数据处理近红外光谱分析的数据处理通常包括预处理、特征提取和模型建立等步骤。
预处理常用的方法有光谱校正、光谱平滑和光谱标准化等；特征提取可使用主成分分析、偏最小二乘回归等方法；模型建立则可以采用多元回归分析、支持向量机等模型进行建立。
近红外光谱分析的应用近红外光谱分析在多个领域具有广泛应用，以下为几个常见的应用示例：•食品质量检测：近红外光谱分析可用于检测食品中的营养成分、添加剂和污染物等，以保证食品的安全和质量。
•药物分析：近红外光谱分析可用于药品的成分分析、质量控制以及伪药的鉴定等。
•化妆品分析：近红外光谱分析可用于分析化妆品中的成分、性质和质量，以确保产品的合规性和安全性。
•环境监测：近红外光谱分析可用于监测土壤、水质和大气中的污染物，以帮助保护环境和预防环境污染。
近红外分析中光谱预处理方法的研究与应用进展
近红外分析中光谱预处理方法的研究与应用进展作者：王欣来源：《科技资讯》2013年第15期摘要：光谱预处理方法在近红外光谱分析技术中占居重要地位。
本文综述了均值中心化、标准化、归一化、平滑、导数、正交信号校正等常用的光谱预处理方法，着重介绍了傅里叶变换（FT）、小波变换（WT）两种基于变量压缩和信息提取的光谱预处理方法。
关键词：近红外光谱预处理小波变换中图分类号：O657.33 文献标识码：A 文章编号：1672-3791（2013）05（c）-0002-01近红外光谱（700～2500 nm）主要是含氢基团的倍频和组合频的吸收光谱，吸收强度弱，灵敏度相对较低，吸收带宽也相对较宽且重叠严重。
利用近红外光谱仪对样品进行采集，得到的光谱除了样品自身的信息外，还携带了其他无关的信息。
为了得到准确可靠的分析结果，对光谱数据进行预处理是十分必要的。
1 光谱预处理方法与应用（1）均值中心化（mean centering）。
均值中心化是从每个光谱数据中减去各个样品的平均光谱，以此来消除光谱的绝对吸收值。
在对样品进行定性和定量分析时，光谱均值中心化是最为常用的。
（2）标准化（autoscaling）。
标准化又称为均值方差化，是把均值中心化处理后的光谱再除以校正集光谱阵的标准偏差光谱。
（3）归一化（normalization）。
归一化算法有：最小/最大归一化、矢量归一化、回零校正。
在近红外光谱分析中，常用的是矢量归一化，它是先计算出光谱的吸光度平均值，然后用光谱减去该平均值，再除所有光谱的平方和。
光谱归一化的目的是消除光程变化对光谱产生的影响。
（4）平滑（smoothing）。
信号的平滑是消除噪声最常用的方法，对滤除高频噪声尤为有效。
常用的平滑方法有移动平均平滑法和Savitzky-Golay卷积平滑法。
移动平均平滑法的基本思想是选择一个宽度为的平滑窗口，计算窗口内的中心波长点g以及g点前后点处光谱测量值得平均值，用来代替波长点g处的测量值，依次改变g值来移动窗口，完成对所有波长点的平滑。
近红外光谱数据预处理
近红外光谱数据预处理
近红外光谱数据预处理是指对采集到的近红外光谱数据进行一系列处理步骤，以提高数据质量和可用性的过程。
常见的近红外光谱数据预处理方法包括：
1. 线性基线校正：校正光谱中的基线漂移，消除光谱测量仪器的非线性响应或实验环境的干扰。
2. 报告点切割：将光谱数据切割为固定的报告点，加快后续处理的速度。
一般会选择在谱段中平均分配报告点，或者根据特定的光谱信息选择报告点。
3. 扣除散射信号：由于样品中的散射现象会引起近红外光谱的背景干扰，可以通过采用光谱散射校正方法，如标准正交校正(SOC)、多元散射校正 (MSC)、小波变换等，来减少散射信号对近红外光谱的影响。
4. 多元校正方法：包括正交偏最小二乘法 (OPLS)、主成分分析 (PCA)、典型相关分析 (CCA)等，在光谱数据中提取主要变化信息和样品之间的相关性。
5. 去噪处理：对光谱数据进行平滑或降噪处理，以减少随机噪声对数据的影响，常见方法包括移动平均、中值滤波、小波去噪等。
6. 数据标准化：通过线性或非线性变换，将光谱数据转化为均值为0、标准差为1的标准正态分布数据，有助于消除不同样
品之间测量尺度的差异。
7. 去除异常值：通过统计分析方法，检测并移除光谱数据中的异常值，能够减少异常值对后续分析的干扰。
这些预处理方法可以根据具体的实验目的和数据特点进行选择和组合使用，以提取出光谱数据中的有用信息，减少噪声和干扰，进而进行进一步的数据分析和建模。
近红外光谱分析技术的数据处理方法
近红外光谱分析技术的数据处理方法数据处理方法主要包括光谱预处理、特征提取和模型建立三个步骤。
光谱预处理是指在进行特征提取和模型建立之前对光谱数据进行预处理，主要目的是去除噪声、修正谱线偏移、提高曲线分辨率等。
常见的光谱预处理方法有：1. Baseline Correction（基线校正）：光谱图中常常存在基线漂移现象，可以通过多种方法进行校正，如直线基线校正、多项式基线校正、小波基线校正等。
2. Smoothing（平滑）：常用的平滑方法有移动平均、中值平滑、高斯平滑等，可以去除谱图中的高频噪声。
3. Normalization（归一化）：归一化可以将不同光谱样本之间的强度差异消除，常用的归一化方法有最小-最大归一化、标准差归一化等。
特征提取是指通过对预处理后的光谱数据进行降维或选择重要信息，提取出有效的特征用于模型建立。
常见的特征提取方法有：2. Partial Least Squares (PLS, 偏最小二乘法)：通过将多个预测变量与原始的输出变量进行线性组合，找到最佳的方向，实现数据降维并提取有效特征。
3. Variable Selection（变量选择）：通过对预处理后的光谱数据进行相关性分析、F检验、t检验等方法，筛选出与目标变量相关性较高的变量。
模型建立是指根据预处理后的光谱数据和与之对应的标准参照值，通过建立适当的数学模型，实现定量或定性的分析与检测。
常见的模型建立方法有：1. Partial Least Squares Regression（PLSR, 偏最小二乘回归）：通过与已知样本值的相关数据分析，建立起预测模型。
2. Support Vector Machine (SVM, 支持向量机)：通过寻找最佳的分割超平面，将样本划分到不同的类别中。
3. Artificial Neural Networks (ANN, 人工神经网络)：通过多层神经网络对光谱数据进行训练和拟合，实现预测与分析。
近红外光谱技术在水果成熟期预测中的应用(综述)
ｒ ｃ ｎ ｅ ｓ ｍｏ ｅ ａ ｄ ｍｏ ｅ ａ ｔｎ ｉ ｎ ｉ ｐ ｉ ｏ ａ ｐ ｙ ｎ ＲＳ ｔｃ ｎ ｌ ｇ ｏ ｆｕ ｔ ｅ ｅｏ ｍｅ ｔ ｅ ｅ ｔｙ ａ ， ｒ ｎ ｒ ｔ ｔ ｓ ａ ｄ ｔ ｐ ｌ ｉ ｇ ＮＩ ｅ ｈ ｏ ｏ ｙ ｔ ｒ ｉ ｄ ｖ ｌ ｐ ｎ ， ｒ ｅ ｏ
ｐ ｅ ｉｔｏ ｏ ｍａｕ ｉ ｓａ ｅ ｎ ｄ ｎ ｅ ｎ ｌ ｕ ｌｔ ｍｅ ｓ ｒ ｍｅ ｔ ｎ ｈ ｓ ｒｉｌ ， ｎ ｔ ｎｌ ｔ ｅ ｒ ｄｃ ｉ ｎ ｆ ｔ ｒｔ ｙ ｔ ｇ ａ ｉ ｔｒ ａ ｑ ａ ｉ ｙ ａ ｕ ｅ ｎ ．Ｉ ｔ ｉ ａ ｔ ｅ ｃ ｏ ｏ ｙ ｈ ｆ ｎ ｍｅ ｔｌｐｒｎ ｉ ｅ ｎ ｈａａ ｔｒｓｉ ｓｏ ｅ ｒｉ ｆａ ｅ ｐ ｃｒ ｓ ｏ ｙ ｗｅ ｅ ｓ ｍｍ ａｉ ｅ ｕ ｄａ ｎ ａ ｉ ｃｐｌｓａ ｄ ｃ ｒ ｃｅ ｔｃ ｆｎ ａ ｎ ｒ ｄ ｓ ｅ ｔｏ ｃ ｐ ｒ ｕ ｉ ｒ ｒｚ ｄ，ｂ ｔａ ｓ ｕ ｌｏ ｔ ｅ ｓａｕｓ ｑ ｄ ｅ ｉｔｎ ｒ ｌｍｓ ｉ ｒ ｄ ｃｉ ｎ ｏ ｔｒ ｔｇｅ ｗｅ ｅ ｐ ｅ ｅ ｔｄ．Ｔｈ ｅ ｅ ｃ ｈ ｔｔ ｕｏ ａ ｘ ｓｉ ｇ ｐ ｏｂ ｅ ｎ ｐ ｅ ｉｔｏ ｆ ｍａｕ ｅ ｓａ ｒ ｒ ｓ ｎ ｅ ｎ ｅ ｒｓ ａ ｈ ｒ ｄ ｒ ｃ ｉ ｎ ａ ｕ ｐ ｌ ｉ ｇ ＮＩ ｅ ｈ ｌ ｇ ｎ ｆ ｏ ｕｓｒ ｓｐｒ ｖ ｄ ｄｆ ｒＵ ． ｉｅ ｔｏ ｂｏ ｔ ｐ ｙ ｎ ＲＳ ｔ ｃ ｎｏ ｏ ｙｉ ｏ ｄ ｉ ａ ｎｄ ｔｙｉ ｏ ｉ ｅ ｏ Ｓ Ｋｅ ｗｏ ｄｓ：Ｎｅ ｎ ａ ｅ ｐ ｃｒ ｃ ｎ ｌ ｇ ｆ ｉ； ｔ ｒｔ ｔｇｅ ａ ｐｌｃ ｔｏ ｙ ｒ ｒ ａ Ｉ ｆｒ ｄ Ｓ ｅ ｔａＴｅ ｈ ｏ ｏ ｙ； ｒ ｔ ｍａ ｕ ｉ ｓａ ； ｐ ｉａ ｉ ｎ ｒ ｕ ｙ
现代近红外光谱技术及应用进展
现代近红外光谱技术及应用进展一、本文概述近红外光谱（Near-Infrared Spectroscopy，NIRS）是一种基于物质对近红外光的吸收和散射特性的分析技术。
近年来，随着光谱仪器设备的不断改进和计算机技术的飞速发展，现代近红外光谱技术在分析化学、生物医学、农业食品等领域的应用日益广泛。
本文旨在综述现代近红外光谱技术的最新进展，特别是在仪器设备、数据处理方法、化学计量学以及应用领域的最新发展。
文章首先介绍了近红外光谱的基本原理和技术特点，然后重点论述了现代近红外光谱技术在不同领域的应用实例和取得的成果，最后展望了未来发展方向和潜在应用前景。
通过本文的阐述，旨在为读者提供一个全面、深入的现代近红外光谱技术及应用进展的概述。
二、现代近红外光谱技术的理论基础现代近红外光谱技术，作为一种高效、无损的分析手段，其理论基础源自电磁辐射与物质相互作用的原理。
近红外光谱区域通常是指波长在780 nm至2500 nm范围内的电磁波，其能量恰好对应于分子振动和转动能级间的跃迁。
因此，当近红外光通过物质时，分子中的化学键和官能团会吸收特定波长的光，产生振动和转动跃迁，从而形成独特的光谱。
现代近红外光谱技术的理论基础主要包括量子力学、分子振动理论和光谱学原理。
量子力学为近红外光谱提供了分子内部电子状态和行为的基本描述，而分子振动理论则详细阐述了分子在不同能级间的跃迁过程。
光谱学原理则将这些理论应用于实际的光谱测量和分析中，通过测量物质对近红外光的吸收、反射或透射特性，来获取物质的结构和组成信息。
现代近红外光谱技术还涉及到光谱预处理、化学计量学方法以及光谱解析等多个方面。
光谱预处理包括平滑、去噪、归一化等步骤，旨在提高光谱的质量和稳定性。
化学计量学方法则通过多元统计分析、机器学习等手段，实现对光谱数据的深入挖掘和信息提取。
光谱解析则依赖于专业的光谱数据库和算法，对光谱进行定性和定量分析，从而确定物质中的成分和含量。
近红外光谱技术在中药材鉴定中的应用研究
近红外光谱技术在中药材鉴定中的应用研究
近红外光谱技术（NIR）是一种快速、非破坏性分析方法，已被广泛应用于中药材鉴定领域。
本文旨在介绍NIR在中药材鉴定中的应用研究进展，包括光谱预处理、化学计量学方法以及NIR与其他技术的结合应用等方面。
1.光谱预处理
在NIR分析中，光谱预处理是十分重要的一步，能够消除光谱噪声、增强光谱信号以及降低光谱干扰等。
目前在中药材鉴定中，常用的光谱预处理方法包括：1）二次多项式基线校正法；2）标准正交化校正法；3）对数变换法；4）标准正交化变量选择法等。
在光谱预处理方面，研究人员还对传统的预处理方法进行了改进及优化，如基线校正方法和统计分析模型等。
2.化学计量学方法
化学计量学方法根据已知的化学计量学模型建立预测模型，从而实现物质定性定量分析。
在中药材鉴定中，常用的化学计量学方法包括主成分分析（PCA）、偏最小二乘回归（PLS）以及支持向量机（SVM）等。
其中，PLS是最常用的一种化学计量学方法，在实际应用中已被广泛采用。
3.NIR与其他技术的结合应用
在中药材鉴定中，为了得到更加准确的分析结果，研究人员还结合了其他技术，如近红外光谱和色谱联用、近红外光谱和质谱联用、近红外光谱和形态学特征联用等。
其中，近红外光谱和液相色谱联用已被广泛应用于中药材的定性和定量分析中，取得了优秀的分析结果。
总之，NIR技术在中药材鉴定中的应用研究已取得重要进展，对保证中药材的质量、安全和有效性具有重大意义。
未来，研究人员将进一步深入探索NIR在中药材鉴定中的应用，为中药材的质量控制和生产提供更加有效的技术支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
最常见的近红外光谱的预处理技术的综述smund Rinnan，Frans van den Berg，Søren Balling Engelsen 摘要：预处理在近红外(NIR)光谱数据处理化学计量学建模中已经成为不可分割的一部分。
预处理的目的是消除光谱中物理现象在为了提高后续多元回归、分类模型或探索性分析。
最广泛使用的预处理技术可以分为两类：散射校正方法和光谱间隔方法。
综述和比较了算法的基础理论和当前的预处理方法以及定性和定量的后果的应用程序。
其目的是提供更好的NIR 最终模型的建立，在此我们通过对光谱的预处理基本知识进行梳理。
关键词：乘法散射校正；近红外光谱法；标准化；诺里斯威廉姆斯推导；预处理；Savitzky-Golay 平滑；散射校正；光谱导数;标准正态变量；综述1.引言目前为止，没有能够优化数据来进行代替，但是经过适当的数据收集和处理将会起到优化效果，对光谱数据进行预处理是最重要的一步(例如最优化之前叠层建模)，常用的方法有主成分分析(PCA)和偏最小二乘法(PLS)。
在大量的文献中，多变量光谱应用食品、饲料和医药分析，比较不同的预处理的结果研究模型的预测结果是不可分割的组成部分。
近红外反射/透射率(NIR / NIT)光谱的光谱技术，到目前为止最多被使用的和最大的多样性在预处理技术，主要是由于入非线性光散射的光谱可以引起显著影响。
由于类似规模的波长的电磁辐射和粒子大小的近红外光谱在生物样品，近红外光谱技术是一种不被广泛使用是由于存在散射效应(包括基线转变和非线性)，这将会影响样品光谱的结果的记录。
然而，通过应用合适的预处理，可以很大程度上消除这些影响。
在应用研究中，比较了几乎完全不同的定标模型(定量描述符和相应关系)。
几乎没有出现评估的差异和相似性的报道。
替代技术即修正的含义(例如，谱描述符数据)在研究中很少被讨论。
本文旨在讨论建立了预处理方法对近红外光谱和模型之间的关系，更具体地说，这些技术都是对应独立的响应变量，所以我们只讨论方法，不需要一个响应值。
我们同时关注预处理工艺理论方面的和实际效果，这种方法适用于近红外光谱/ NIT光谱。
对固体样品，干扰系统的差异主要是因为光散射的不同和有效路径长度的不同。
这些不受欢迎的变化常常构成了样本集的总变异的主要部分，可以观察到得转变基线(乘法效应)和其他现象称为非线性。
一般来说，近红外光谱反射率测量的一个示例将测量普及性的反映和镜面反射辐射(镜面反射)。
镜面反射通常由仪表设计和几何的采样最小化，因为它们不含任何化学信息。
这个diffusively反射的光，这反映在广泛的方向，是信息的主要来源在近红外光谱。
然而，diffusively反射光将包含信息的化学成分不仅示例(吸收)而且结构(散射)。
主要的形式的光散射(不包括能量转移与样品)瑞利和洛伦兹米氏。
两者都是过程中电磁辐射是分散的(例如，通过小粒子，泡沫，表面粗糙度，水滴，晶体缺陷，microorganelles、细胞、纤维和密度波动)。
当粒子尺寸大于波长，因为通常情况下，NIR光谱，是主要的洛仑兹米氏散射。
相比之下，瑞利散射，是各向异性，洛伦兹米氏散射依赖的形状散射粒子和不强烈波长依赖性。
对生物样品，散射特性是过于复杂，所以软或自适应补偿，光谱预处理技术，正如我们近红外光谱在本文中进行讨论，要求删除散射从纯粹的、理想的吸收光谱。
显然，预处理不能纠正镜面反射率(直接散射)，自谱不包含任何精细结构。
光谱主要由镜面反射率应该总是被移除之前为离群值多元数据分析，因为他们仍将是局外人，甚至在预处理。
图1显示了一组13好蔗糖和样品不同粒径加一坏蔗糖的例子展示如何(极端)镜面反射率表现比正常的光谱。
图1还演示了总体布局的大多数数据在本文中。
上部的图，一个条形图显示了主成分得分值第一主成分(PC)后的样本集数据意味着定心[1]。
下面部分显示预处理效果的数据集(或者，在这种情况下，任何预处理)。
相关系数r的平方值之间的酒吧和一个选定的参考变量包含(在本例中，已知的平均粒径的13蔗糖样本)。
蔗糖的数据集，这种关系应该是低，例如，当假设散射是一种阻碍粒子始发;尽可能小的信息的粒度应该保持在正确的预处理。
图1近红外光谱的13蔗糖和样品不同粒径(最小的粒子在底部，最大的顶部;粒子尺寸范围在20 - 540 lm。
黑色的光谱显示了一个镜面反射率蔗糖样本。
酒吧是分数值第一主成分的13个蔗糖样品主成分分析模型在完整的光谱。
一个示例数据的预处理蔗糖中可以看到图2，其中也包含一个其实的一个示例数据预处理的蔗糖中可以看到图2，其中也包含一个其实从现在起，在这篇文章中，我们将演示效果不同的预处理技术在小果胶数据集只包含7个样品有不同程度的酯化(%德;范围在0 - 93%)[2]。
这些样品测定近红外光谱反射率模式在光谱范围1100 - 2500海里(收集每2海里区间;图3)。
我们提供相应的第一因素PCA样本得分后作为一个条形图意味着定心，连同集中吸光度值在波长2244纳米。
我们选择这个峰值，因为它在理论上应该描述% DE完美。
对于本文，我们假设信息在光谱相联系的果胶粒子大小和形状应该被预处理技术，条形图应该显示一个线性行为与%德。
为了说明预处理的影响在量化，我们使用数据取自克里斯腾森et al。
[3]。
他们研究了一组32杏仁蛋白软糖混合物，基于不同的食谱，九个不同的数据都在互联网上可用的(www。
模型的生活ku dk)。
所有的杏仁蛋白软糖样品测定了六种不同的近红外光谱仪器和化学参考分析了水分和糖含量。
在构建一个定量的回归模型，重要的是要打扫预测数据从非系统性散射变化，因为他们可以产生重大影响的预测模型的性能和模型的复杂性或吝啬。
在本文中，我们使用请预测这种定量响应信息[4]。
2.预处理方法图 2上图：数据被一个二阶蔗糖乘法散射校正;底：相应的标准差每个波长，虚线是原始/未加工的数据(见图1)，固体是预处理的数据。
最广泛使用的预处理技术在近红外光谱法(在两个反射和透射模式)可以分为两类：scattercorrection 方法和光谱衍生品。
第一群散射校正预处理方法包括乘法散射校正(MSC)，逆MSC ，扩展MSC(EMSC)，扩展逆MSC ，de 趋势，标准正态变量(SNV)和标准化。
图 3生/未加工的光谱，7果胶样本。
蓝线是一个示例有0%程度的果胶酯化(DE)，红色的线是一个样本93%德。
打开条指示主成分分析(PCA)评分值在第一个PC 为完整的光谱，意味着定心，关闭了酒吧后的光谱值在波长2244纳米。
光谱推导集团是为代表的两种技术在本文中：诺里斯威廉姆斯(NW)衍生品和Savitzky-Golay(SG)多项式导数过滤器。
这两种方法都使用一个平滑的光谱导数计算之前，以减少有害的影响，传统的信噪比有限差分衍生品会。
预处理步骤的目标可以三种：1） 提高后续探索性分析2） 提高后续叠层校正模型(力数据服从兰伯特啤酒法律);或者，3） 提高后续的分类模型。
朗伯比尔定律(方程(1))是经验对近红外光谱/ NIT 和显示成线性关系，吸收光谱和浓度(s)的成分(s)：10log ()A T l c λλ=-=ε⋅⋅ (1)其中A λ作为吸光度，λε依赖波长的摩尔吸光系数，l 代表光通过容器有效的路径长度，是c成分的浓度。
朗伯比尔定律严格有效的只有纯透射系统没有散射。
在反射率测量，方程(1)是重新定义在类比透射率的测量为：10log ()A R l c λλ=-≅ε⋅⋅其中，R 是反射率。
选择合适的预处理应该总是被认为是相对于连续建模阶段。
例如，如果数据集的兴趣不遵守法律，额外因素兰伯特啤酒或组件在请回归通常可以弥补这一理想的行为的光谱预测[5]。
的缺点包括额外的因素是提高模型的复杂性，反过来，最有可能减少对未来预测的模型的鲁棒性。
所有的预处理技术的目标减少变化降低数据以增强特性寻求在光谱，常常一个线性(简单的)关系现象(比如，一个成分)的兴趣。
通过使用一个合适的预处理技术，这可以实现，但总是有危险的应用了错误的类型或应用太严重的预处理，将移除有价值的信息。
正确的选择的预处理是很难评估模型验证之前，但是，一般来说，执行几个预处理步骤是不可取的，作为最低要求，预处理应保持或降低复杂性的有效模型。
图4 样品光谱(蓝色的点)密谋反抗一个选定的参考光谱。
标量修正条款发现随着拦截和边坡的黑色线条，就是发现从最小二乘回归适合通过所有的点。
3. 散射校正根据散射校正方法，我们考虑三个预处理的概念：硕士，SNV 和标准化。
这些技术是为了减少(物理)可变性样本之间由于散射。
所有三个也调整基线样本之间的变化。
3.1MSC乘法散射(或者，在一般情况下，信号)校正(MSC)可能是最广泛使用的预处理技术对近红外光谱(紧随其后SNV 和派生)。
MSC 其基本形式是由Martens 首次引入等人1983年[6]，并进一步阐述了通过Geladi 等人1985年[7]。
MSC 背后的概念是，工件或缺陷(如，不良的散射效应)将被删除的数据矩阵之前，数据建模。
MSC 包含两个步骤：1) 估计的校正系数(加法和乘法的贡献。
0,1org ref ref X b b X e =+⋅+ (2)2) 校正记录的光谱,1,1org corr ref ref ref X b e X X b b -==+(3)其中：org X 代表近红外光谱仪器对一个原样品进行光谱测量，ref X 代表参考光谱用于预处理的整个数据集，e 是降低的一部分的 org X ，corr X 代表了修正后的光谱，其中 0b 和,1ref b 都是标量参数，这在每个样品中具有不同的代表含义，这个在图4中进行说明，对每个标量参数进行了解释。
在大多数应用中，平均频谱的校准设置用作参考光谱。
然而，一个通用参考光谱也可以应用。
在最初的论文Martens et al 。
[6]，这是建议只使用那些部分光谱轴，不包括相关信息(基线)。
而这使得好的光谱意义上说，很难确定这些地区在实践中，特别是在近红外光谱测量，信号从不同的化学成分是强烈重叠和相关，很少或根本没有真正的基线是发现。
这是为什么，在大多数情况下，整个频谱用于查找标量校正参数在MSC 。
图5演示了应用程序的标准MSC 对果胶的数据。
光谱特征的果胶粉是守恒的，而背景偏移和斜坡基本上是删除(与图3)。
的线性关系光谱和%德是不错，但它并不完美。
图5数据预处理的乘法散射校正用一阶校正对平均频谱。
基本形式的MSC 已经扩展成更复杂的扩展(8 - 12)通常被称为EMSC 。
这个扩展包括二阶多项式拟合参考光谱，拟合的一个基线的波长轴，和利用先验知识从光谱的兴趣或光谱干扰物。
在本文中，所有这些替代品被称为MSC 为简单起见，因为他们可以总结为一个单一的方程：22,1,21,,,,, ref ref known known X X X X X b e ⎡⎤=λ,λ+⎣⎦（4）其中，λ代表依赖波长轴的修正向量，,1known X 包含先验知识包括了想要/不必要的光谱信息（比如一个已知的光谱干扰的物种）。