为充分提取复杂掺伪食用油的特征信息, 提出并建立一种掺伪芝麻油的判别方法.采集40个纯芝麻油和40个掺入不同浓度玉米油的芝麻油的常规一维近红外透射光谱和中红外衰减全反射光谱.对两样本采用二维相关谱技术进行相关计算, 得到每一样品的同步和异步二维近红外相关谱和中红外相关谱, 并进行预处理, 得到其对应的同步-异步二维近红外相关谱和中红外相关谱.采用多维主成分分析法提取其特征, 并将其得分矩阵进行融合.基于融合的得分矩阵, 以及单一近红外、中红外相关谱得分矩阵分别建立纯芝麻油和掺伪芝麻油偏最小二乘判别分析模型, 三个模型对预测集样品的判别正确率分别为100%、96.2%和96.2%.研究结果表明, 所提出的方法可提取更多的特征信息, 提供更好的分析结果.

光谱检测技术已成为作物营养诊断的重要手段, 但复杂的大田环境也增加了光谱的不确定性。 以叶面尘对国道旁玉米反射光谱的影响为研究内容, 分析了除尘前后叶片反射率及一阶导数光谱的差异, 进而考察了叶面尘干扰下的氮营养光谱监测模型预测精度。 结果表明: 相对于无尘叶片, 叶面尘使得叶片在可见光和短波红外光区的反射率增加, 而在近红外光区的反射率减少; 三边位置、 蓝边斜率和黄边斜率在除尘前后无变化, 而有尘叶片的红边斜率和三边面积均较无尘叶片减小; 叶面尘干扰下的全氮含量光谱监测模型R2减小, 预测精度降低。 试验对叶面尘作为光谱检测干扰条件作了初步探讨, 为今后叶面尘影响评价及建立修正模型提供理论依据。

研究收集了不同品牌的90个葡萄酒样品， 为了消除各光谱基线不同带来的影响， 对所有光谱曲线都进行了一阶求导， 以一阶导数谱线作为有效数据， 通过独立主成分（PC）分析可知， 前两个主成分的贡献率达到80%以上， 主成分聚类使得真伪葡萄酒样品明显分为两类; 以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型， 该模型对葡萄酒样品的预测识别率达到100%。 研究表明， 可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、 无损鉴别葡萄酒真伪提供一种准确可靠的新方法。