1.常规区间法

常规区间偏最小二乘波长筛选法（iPLS）是由Lars Norgaard在2000年提出的一种波长筛选法。该方法主要用于筛选偏最小二乘建模的波长区域，其算法步骤如下：

1）对原始近红外光谱进行预处理；

2）建立全光谱范围待测样品品质的偏最小二乘模型，即全局偏最小二乘模型；

3）将整个近红外光谱区域划分为多个等宽的光谱子区间，设为n个；

4）对每个光谱子区间建立PLS回归模型，即建立待测样品品质的“局部回归模型”，可以得到n个局部回归模型；

5）用交互验证均方差RMSECV的值作为各个模型精度的衡量标准，分别比较各个局部模型和全光谱模型的精度，选取精度最高的子区间为入选区间。

2.联合区间法

联合区间偏最小二乘法（Synergy interval PLS，SiPLS）建立在常规区间偏最小二乘法的基础之上，它是将在同一次区间划分中预测精度较高的几个子区间联合起来建立预测模型，称其为联合子区间法。实际应用表明，将几个精度较高局部模型所在的子区间联合在一起建立预测模型是可行的，但目前尚无方法来确定参加联合建模的子区间数目。

3.向后区间法(www.daowen.com)

向后阈值区间偏最小二乘法（Backward interval PLS，BiPLST）是基于Lars Norgaard的iPLS理论思想的改进，是一种“只出不进”的方法，其算法步骤如下：

1）对原始近红外光谱进行预处理。

2）建立全光谱范围待测样品品质的PLS模型，即全局PLS模型。

3）将整个近红外光谱区域划分为多个等宽的光谱子区间，假设为n个。

4）每次去掉1个光谱子区间，将余下的（n-1）个区间联合并进行PLS回归，得到n个联合区间的PLS回归模型。

5）运用交互验证均方差RMSECV的值作为各个模型的精度衡量标准，比较各联合模型的精度，去掉精度最高的联合模型所去掉的光谱子区间，即第一去除区间。

6）将剩余的（n-1）个光谱子区间逐一去除子区间，将产生（n-1）组联合子区间。在每一个联合区间上进行PLS回归，得到（n-1）个联合模型，其中RMSECV值最小的联合模型对应去除的子区间为第二去除区间。依此运行，直至剩下一个子区间为止。

7）检验第6）步中所有联合模型的RMSECV值，找出在所有联合模型中性能最佳者（即RMSECV最小），其所对应的光谱区间组合即最佳组合。

可以看出，BiPLS采用的仍然是几个子区间联合建模的方法，但其区间的搜索方法继承了向后选择变量法“只出不进”的特点，因此可以确定联合模型的建模区间数，同时BiPLS法能在不同的区间划分中搜寻到最佳的联合区间。