طیفهای رامان اخذ شده از مواد مختلف علاوه بر اطلاعات ناشی از ساختار مولکولی نمونه، حامل دادههای ناخواسته از قبیل نوفه و نور پسزمینه است. لذا برای رسیدن به مدل واسنجی دقیق و قابلاعتماد معمولاً پیشپردازش دادههای طیفی قبل از مدلسازی ضرورت دارد. در این پژوهش تأثیر روشهای هموارسازی، نرمالسازی، مشتق اول و مشتق دوم، قوسگیری ، توزیع نرمال استاندارد و تصحیح پراکنش افزاینده به صورت انفرادی یا ترکیبی در دقت مدلهای شبکه عصبی پرسپترون و تحلیل شناسایی خطی در دستهبندی طیفهای رامان اخذ شده مورد بررسی قرار گرفتند. نمونههای خمیری پسته در سه کلاس بدون آلودگی، آلودگیهای 02 و 122 نانوگرم در گرم آماده شدند. قبل از فرآیند مدلسازی، از تکنیک تحلیل مولفههای اصلی برای کاهش ابعاد متغیرهای طیفی استفاده شد. در بین پیشپردازشهای بررسی شده، با نرمالسازی دادههای طیفی قبل از مدلسازی با شبکه عصبی، میانگین دقت طبقهبندی ) با 4 مولفه اصلی به عنوان ورودی( 89 درصد به دست آمد. در مدلسازی تحلیل شناسایی خطی، اعمال پیش پردازشهای مختلف بهجز هموارسازی ساویتزکی مدل شدند.
