采用一种由原点矩法改造所得的特征压缩算法对荧光光谱数据进行预处理, 将处理后的数据与加权最小二乘支持向量机(WLS-SVM)算法结合, 建立鲁棒回归模型, 用以预测实际食用色素粉末的纯度。 以亮蓝和胭脂红这2种色素为例论述该方法对实际食用色素粉末纯度的预测效果。 首先, 利用FLS920荧光光谱仪测量获得两种色素的标准样本和实际样本在最佳激发波长下的荧光发射光谱数据, 利用由原点矩法改造所得的特征压缩算法对获取的荧光光谱数据进行压缩和变换, 一方面缩短了算法的运算时间, 另一方面也提高了模型的预测精度。 将预处理后的荧光光谱数据输入加权最小二乘支持向量机中建立浓度预测模型, 该模型对亮蓝、 胭脂红实际样本溶液给出的预测光谱与它们的实测光谱吻合程度好, 半高峰宽区间内的平均决定系数分别为0.662和0.931。 所有亮蓝、 胭脂红溶液的预测浓度和标称浓度之间具有良好的线性关系, 相关系数分别为0.997和0.992。 由此通过多项式拟合得到的亮蓝、 胭脂红粉末的预测纯度分别为61.0%和72.3%。

提出一种利用三维荧光光谱技术鉴别不同品牌浓香型白酒的方法。 运用FLS920荧光光谱仪测量了七个不同品牌浓香型白酒的三维荧光光谱, 不同品牌浓香型白酒的荧光光谱特征相似, 仅凭荧光特征参数较难区分。 采用求偏导和小波压缩相结合的数据预处理方法, 求解光谱数据中每一激发波长下, 荧光强度对发射波长的一阶和二阶偏导数, 选取db7紧支撑正交小波对数据进行压缩, 选择4尺度分解后的近似系数作为新的数据矩阵, 然后做主成分分析(PCA)。 将提取的主成分作为支持向量机(SVM)的输入, 并利用K-fold交叉验证的方法寻找支持向量机的最优参数c和γ, 建立不同品牌白酒的分类鉴别模型。 从每个品牌白酒中随机选取14个样本, 共98个样本组成训练集, 其余的42个样本组成预测集。 分别比较了数据不求偏导, 对数据求一阶偏导和二阶偏导的预处理后对鉴别模型的影响。 结果表明: 三维荧光光谱经过二阶偏导的预处理后, 结合主成分分析和支持向量机能很好地实现不同品牌浓香型白酒的分类鉴别, 模型的准确率为98.98%, 预测集的准确率为100%。 该方法具有简单, 快速, 成本低的优点, 可为中国白酒的检测和鉴别技术的发展提供帮助。

为了实现对中国白酒品牌的有效鉴别，在比较了不同品牌白酒三维荧光光谱特性的基础上，采用平行因子方法(PARAFAC)结合遗传算法(GA)获得训练样本和测试样本的浓度得分。同时利用支持向量机(SVM)方法建立中国白酒的鉴别模型，预测准确率为97.5%。PARAFAC 分解得到的三个组分的浓度得分，在一定程度上反映了品牌之间的差异。PARAFAC与GA算法的有效结合为未知样本的鉴别提供了一种快速准确的方法。研究结果表明，PARAFAC-GASVM的鉴别模型具有更强的预测能力，该方法能够有效提取白酒的特征光谱信息，同时又大大降低了SVM 输入变量的维数。研究结果为中国白酒的鉴别提供了一种新的思路。

以某清香型白酒为研究对象, 将三维荧光光谱技术与平行因子分析方法(parallel factor analysis, PARAFAC)、 BP神经网络结合, 建立清香型白酒年份鉴别模型。 首先, 利用FLS920全功能型荧光光谱仪测量获得不同年份白酒的三维荧光光谱数据, 对激发发射三维矩阵进行三线性分解, 得到四个主成分对应的浓度得分和激发-发射光谱轮廓图。 将这4个浓度得分作为BP神经网络的输入, 建立10, 20和30年份白酒的鉴别模型。 随机选取每个年份的10个样本, 共30个样本组成测试集, 剩余的90个白酒样本组成训练集建立训练模型。 据此对未知样品进行预测, 其预测正确率分别为90%, 100%和100%。 同时将该方法与多维偏最小二乘判别分析法(multi-way partial least squares discriminant analysis, NPLS-DA)进行了比较。 研究结果表明: 平行因子结合神经网络的判别模型具有更强的预测能力, 该方法能够有效提取年份白酒的特征光谱信息, 同时又降低了神经网络输入变量的维数, 取得较好的鉴别效果。