FOSS的近红外方案可以按不同的数学模型来处理定标，每种都有独特的优点。在饲料分析中，一些天然的样品无论是在来源还是组成上有很大的差异，这会导致参数和光谱之间的高度非线性关系。在这种情况下，ANN定标提供了一个很好的解决方案，因为ANN的核心是基于非线性数学。
ANN可以在不损失精度的情况下，选择宽范围的产品来建立宽泛的定标模型。ANN技术需要大量样品进行定标，通常要超过1000份。这也解释了为什么ANN定标具有高度可靠性和可转移性，因此随着时间的推移其非常节省费用。如果对于较小的数据库，ANN不能适用。在此情况下，可以适用PLS定标技术。
PLS定标是一个行之有效的方法，其使用波长的线性组合用于定标的开发，而不是一个单一波长的普通线性回归。当样品数量有限，参数和光谱有线性关系和参数的范围受到限制时，PLS是一个显而易见的选择。