白胡椒粉末与面粉颜色非常接近, 因此在白胡椒粉末中掺入少量的面粉很难通过人的视觉或嗅觉判别。 高光谱成像不仅可以获得物质的光谱信息, 还可以获得物质的空间位置信息, 因此利用高光谱成像识别白胡椒粉末中掺入面粉的含量及其掺入位置成为可能。 按照1%~60%的配比和1%的梯度将纯面粉掺入到纯白胡椒粉末中, 再加上纯胡椒粉末和纯面粉共制备62份样品; 每份样品单独进行高光谱扫描, 共获得62份光谱数据; 随机选择其中42份样品用于偏最小二乘法建模, 余下20份用于测试。 将每份样品的平均光谱经一阶微分预处理后, 利用偏最小二乘法建立预测白胡椒粉末中面粉含量定量分析建模, 其校正集的均方根误差为0.83%, 预测集的均方根误差为2.73%, 校正集与预测集的相关系数分别为RC=0.99和RP=0.98。 为了在掺杂的白胡椒粉末中定位面粉的具体掺入位置, 提出了相关系数法和最大最小判别准则。 计算掺杂样品与纯白胡椒粉末和面粉的相关系数分别记为R1和R2, 若某位置点为纯面粉则R1达到最大R2达到最小。 将R1与R2的差值R按由小到大的次序排列, 以PLSR回归模型的预测结果为门限将R中小于等于门限值的位置点判别为面粉, 然后在掺假样品中标记出掺入面粉的位置, 以便直观显示。 本研究为实现快速、 无损和可视化鉴别白胡椒粉末真假提供一种参考方法。

花椒是我国的八大调味料之一。 目前花椒市场掺假现象较为多见， 为实现掺假花椒粉的快速定性鉴别， 采用了近红外光谱结合化学计量学方法进行了探讨。 将麦麸粉、 稻糠粉、 玉米粉和松香粉以1 Wt/Wt.%的递增梯度分别掺入红花椒粉和青花椒粉中， 制备掺假浓度范围为1~54 Wt/Wt.%的掺假花椒粉样品， 以掺假花椒粉和纯花椒粉共462份样品依次采集其800~2 500 nm范围的漫反射近红外光谱。 采用主成分分析法（PCA）对光谱数据进行分析， 前3个主成分累计贡献率达98.72%， 做出的得分图表明PCA法对掺假的花椒粉具有较好的区域划分。 347份样本作为校正集， 以特征谱区2 000~2 200 nm范围的257个采样点的光谱信号作为输入， 采用判别偏最小二乘法（DPLS）和支持向量机（SVM）建立定性鉴别模型， 经不同光谱预处理， 对115份验证集样本进行预测， 总体鉴别正确率在97.39%~100%之间， 表明该方法是快速定性鉴别掺假花椒粉的一个有效手段。

对364份水分含量在2.24%～32.66%之间的“冈优916”稻谷样品, 经均值中心化、 一阶微分、 标准归一化和多元散射校正等预处理后, 采用分段间隔法、 组合分段法、 滑动窗口法和反向分段法等进行特征谱区选择, 分别使用偏最小二乘法(PLS)和主成分回归(PCR)两种定量分析方法, 获得稻谷含水量近红外光谱预测模型最佳的特征谱区。 首次给出了分段间隔法、 组合分段法、 滑动窗口法和反向分段法等传统的特征谱区选择方法的计算复杂度的计算公式, 并对比分析了这几种特征谱区选择方法的程序运行效率。 结果表明: 采用PLS建模对稻谷含水量光谱的预测性能优于PCR建模, 但PLS建模的效率低于PCR建模； 在PLS建模中, 采用反向分段法对稻谷光谱含水量的预测性能最好, 其预测集的相关系数RP为0.995 6, 预测均方根偏差RMSEP为0.78%； 其次是滑动窗口法, 其RP为0.994 3, RMSEP为0.89%； 但这两种特征谱区选择方法的程序运行效率较低, 反向分段法的平均运行时间为4.87 h, 滑动窗口法的平均运行时间为29.82 h。 该研究结果为今后在并行计算或分布式计算上开发近红外光谱预测模型的快速算法提供参考。

采集四川、 重庆、 云南、 贵州、 陕西五省市8个不同产地205个花椒样品的近红外光谱, 使用主成分分析(principal component analysis, PCA)、 判别偏最小二乘法(discriminant partial least squares, DPLS)分析了花椒产地的分类鉴别。 结果表明: 在12 500～3 800 cm-1波数范围内, 采用不同的光谱预处理方法可以建立较为稳健的DPLS模式识别模型, 对不同产地的花椒有较好的分类鉴别。 其校正集交叉验证除了经一阶微分预处理的模型识别率为99.39%外, 其他预处理方法识别率均为100%, 独立验证集总体识别正确率在85.37%~97.56%之间, 其中经标准正态变量变换(standard normal variate, SNV)、 多元散射校正(multiplicative scatter correction, MSC)预处理后的DPLS判别模型效果最好, 误判数仅分别为1个, 表示该方法在花椒产地识别中具有可行性。