基于传统与新型神经网络的MEMS FT-NIR光谱校准迁移方法对比研究：性能优化与跨仪器一致性突破

为解决傅里叶变换近红外（FT-NIR）光谱在跨仪器和环境条件下的校准迁移难题，研究人员对比评估了传统方法（SST、Spectral Alignment）与新型神经网络模型SRNTN的性能。研究通过28种样本（含SrCl2 ·6H2 O等）的标准化数据集，证实SRNTN在湿样本中RMSE降低21.9%，且稳定性最佳，为便携式光谱仪的工业应用提供了可靠解决方案。

　　

在食品、农业和制药等领域，傅里叶变换近红外（FT-NIR）光谱技术因其非破坏性和高效性成为材料分析的黄金标准。然而，随着微型机电系统（MEMS）技术的发展，便携式FT-NIR光谱仪的普及面临一个关键瓶颈：如何将传统台式仪器的校准模型迁移到不同型号或批次的微型设备上？由于光学设计差异、环境波动等因素，同一物质在不同设备上可能呈现显著差异的光谱特征，导致定量分析结果失真。这一挑战严重制约了该技术在田间、工厂等现场场景的应用可靠性。

针对这一问题，一项发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》的研究系统评估了传统与神经网络驱动的校准迁移方法。研究人员设计了一套包含28种标准化样本的校准集，涵盖农业饲料、无机化合物（如含TiO₂
的SrCl₂
·6H₂
O）以及不同物理状态（干燥/湿润、粉末/整块）的材料。通过8台MEMS FT-NIR传感器采集数据，团队对比了光谱空间变换（SST）、光谱对齐（Spectral Alignment）和提出的光谱残差神经迁移网络（SRNTN）三类方法，以均方根误差（RMSE）、决定系数（R²
）和均值范围改进率为核心指标。

关键技术包括：1）基于奇异值分解（SVD）的SST算法构建仪器间转换矩阵；2）光谱对齐方法优化湿样本的峰位匹配；3）SRNTN网络通过残差学习捕捉非线性光谱偏移；4）创新的水分叠加策略增强湿样本建模。

性能对比结果显示：

• 传统方法：SST对干燥研磨样本表现最佳，均值范围提升45.9%，RMSE降低26.9%；光谱对齐则擅长处理湿润整块样本，均值改进率达18.8%。
• SRNTN展现出全面优势：跨数据集均值范围提升38.4%，RMSE降低21.9%，且稳定性最优（标准差最低）。其创新的水分叠加策略使湿样本RMSE进一步改善17.3%，较基线提升近3倍。

讨论与意义：
该研究首次系统验证了神经网络在MEMS FT-NIR校准迁移中的普适性。SRNTN通过残差学习机制有效建模了仪器间的复杂非线性差异，尤其在含水样本中突破传统线性方法的局限。提出的标准化样本集（含稳定盐类）为行业提供了可复用的校准基准。这项成果不仅推动了便携式光谱仪的跨平台一致性，还为农业现场检测、制药过程监控等场景提供了标准化解决方案，具有显著的工业应用价值。