研究了漫反射近红外(NIR)光谱法分析油页岩含油率过程中异常样品的识别和剔除方法。 在近红外光谱定量分析中, 环境变化和操作失误等都会产生异常样品, 异常样品的存在会导致模型的预测能力下降, 因此异常样品的剔除是建模过程中的关键步骤。 分别采用主成分分析—马氏距离（PCA-MD）法和半数重采样（RHM）法识别油页岩光谱数据中的异常样品, 通过剔除异常样品后所建的偏最小二乘（PLS）分析模型的性能来评价PCA-MD与RHM方法对异常样品的识别能力。 实验中考察了不同MD阈值和RHM置信度对异常样品剔除结果的影响, 比较了单独和同时应用PCA-MD及RHM法识别并剔除异常样品后所得PLS模型的预测能力。 结果表明: 与所有样品参与建模时预测偏差均方根（RMSEP）相比, 采用PCA-MD法时阈值取平均值与标准偏差之和时RMSEP降低了48.3%; 采用RHM法时置信度取85%时RMSEP降低了27.5%; 同时采用PCA-MD法和RHM法时RMSEP降低了44.8%, 研究内容有效地提高了分析模型的预测能力。

近红外(NIR)光谱分析中的异常样品严重影响所建立模型的分析精度和稳定性，将随机抽样一致性（RANSAC）算法引入到近红外光谱分析中，以建立稳健的近红外定量分析模型。在RANSAC算法的基础上，结合近红外光谱分析的特点，提出了适合于建立近红外光谱稳健模型的改进RANSAC算法。以83份土壤样品的近红外光谱为研究对象，探讨所提出的改进RANSAC算法在建立土壤有机质模型中的效果。结果表明，与直接建立的偏最小二乘法(PLS)模型相比，通过改进RANSAC算法所建立的有机质模型的相关系数R由0.891提高至0.963，交叉验证均方根误差(RMSECV)从0.4979%降至0.3083%。由此可见，改进RANSAC算法对近红外光谱的异常样品具有较好的剔除作用，可以有效地提高模型的分析精度和稳健性。

针对蜜瓜可溶性固形物含量透射光谱检测中, 异常建模样品对模型精度的影响及多种可能来源, 提出异常样品的综合评判方法。 为防止漏判, 分别针对不同来源, 采用基于预测浓度残差、 Chauvenet检验法及杠杆值与学生残差T检验准则对85个建模样品(偏最小二乘法建模)进行初步判别, 共判别出9个疑似异常样品。 为防止误判, 对疑似样品逐一回收, 考察其对建模与预测精度的影响。 先后回收5个样品后, 所建校正模型相关系数r为0.889, 均方根校正偏差RMSEC为0.601°Brix, 对35个未知样品的均方根预测偏差RMSEP为0.854°Brix, 比未剔除异常样品前所建模型（r=0.797, RMSEC=0.849°Brix, RMSEP=1.19°Brix）精度明显提高, 比剔除全部疑似异常样品所建模型（r=0.892, RMSEC=0.605°Brix, RMSEP=0.862°Brix）更稳定, 预测精度更高。