企业官网建设流程全解析

📄 论文标题：Toward interpretable calibration transfer: A sparse modeling approach integrated with dynamic orthogonal projection
📚 期刊：Measurement (Elsevier), 2026
🔗 DOI：https://doi.org/10.1016/j.measurement.2026.122428
💻 MATLAB代码：https://github.com/billy14553/sdop

一、研究背景与问题

近红外（NIR）光谱定量分析中，矫正模型在不同仪器或环境下性能会退化，需用模型转移（Calibration Transfer）修正。现有主流方法如动态正交投影（Dynamic Orthogonal Projection, DOP）虽能有效对齐源域与目标域光谱分布，但属于"黑箱"操作——在全光谱上建模过程中，无法指出哪些波长是转移的关键变量，缺乏物理解释性，也不利于模型简化。

二、主要创新 —— 稀疏动态正交投影（SDOP）

本文提出Sparse Dynamic Orthogonal Projection（SDOP）框架，将 DOP 的域自适应能力与 **L₁ 范数惩罚（Lasso / Sparse PLS）的变量选择能力相结合：

1. 域对齐阶段：沿用 DOP 通过高斯核加权 + SVD 正交投影，消除源—目标仪器间的系统差异；
2. 稀疏建模阶段：对对齐后的光谱矩阵施加 ℓ₁ 惩罚的稀疏 PLS，迭代求解权重向量并用软阈值（soft-thresholding）将不重要波长的回归系数置零，仅保留最具信息量的少数特征波段。

核心思想：稀疏约束不只是降维手段，更是揭示定标转移机制、定位关键化学吸收波段的工具。

三、实验结果与亮点

在公开Corn（玉米淀粉）和Gasoline（汽油饱和烃 S1）数据集上验证：

• 预测精度相当：SDOP 的 RMSEP 和 R² 与原始 DOP 基本持平（如玉米 mp6→m5：DOP RMSEP=0.12，SDOP RMSEP=0.12，R²=0.94）；
• 极端稀疏性：仅保留 <10%（玉米）₄5%（汽油）的光谱变量，模型系数 90%~96% 为零；
• 物理解释性强：选出的波长集中在已知化学吸收区——玉米 2000~2400 nm（O-H/C-H 多糖特征），汽油 1100~1250 nm（C-H 甲基/亚甲基），与 VIP>1 的重要变量吻合；
• 优于传统变量选择：相比 LASSO、CovSel、CARS 结合 DOP，SDOP 选出的是连续波段簇而非孤立点，更符合 NIR 宽谱带特性，稳定性更好。

四、小结

SDOP 在保持 DOP 定标转移精度的同时，突破了"黑箱"限制，实现了可解释的稀疏定标转移建模，为光谱分析师提供了既能用又能"看懂"的转移模型，也适用于其他高维光谱数据（如拉曼光谱）的拓展研究。