现在樱桃市场上存在着大量以次充好的不良现象, 严重损害了名牌樱桃的品牌经济效益, 所以亟需一种能对不同产地樱桃实现快速无损鉴别的技术。 拉曼光谱溯源技术作为光谱溯源技术的一种, 由于具有快速、 高效、 无污染、 无损分析等优点, 逐渐得到相关研究者的重视。 长短期记忆（LSTM）网络是一种具有记忆性的反馈神经网络, 它是循环神经网络的一种变体。 LSTM网络克服了循环神经网络中梯度消失的缺点, 适合处理序列敏感的问题和任务, 目前被广泛应用在语音识别、 图像识别和手写识别等领域, 但LSTM网络在产地溯源方面的应用还有待研究。 基于此, 提出了一种LSTM网络与拉曼光谱技术结合的能对不同产地樱桃实现快速无损鉴别的技术。 将来自美国、 山东和四川的369个樱桃作为研究样本, 用拉曼光谱仪在785 nm激光下获得了不同产地樱桃的光谱数据。 并且以每条经过基线校正后的拉曼光谱数据作为网络输入数据, 基于LSTM网络构建了能对不同产地樱桃实现快速鉴别的判别模型, 并且以样本判别准确率A、 样本精确率P、 样本召回率R和样本F值作为评价指标, 探究了不同预处理方法对LSTM网络判别模型性能的影响。 结果表明: 当样本训练集和测试集的比例为85∶38时, 直接采用原始拉曼光谱数据的LSTM网络模型的产地鉴别能力不高, 鉴别准确率为79.87%。 但当使用预处理过后的拉曼光谱数据, 模型的鉴别准确率维持在92%以上。 并且光谱经过SG+MSC预处理后模型的鉴别准确度最好, 鉴别准确率达99.12%。 同时在采用SG+MSC预处理的方法下, LSTM网络鉴别模型的精确率、 召回率、 F值均较高, 表明了所提出的LSTM网络模型有较好的性能可实现对不同产地樱桃的鉴别, 为樱桃的产地溯源提供了一种新的思路。

近年来, 农产品安全领域中的药物残留问题引起了人们的广泛关注, 为了保障国家食品安全和国民健康、 促进经济贸易发展, 对农产品中的农药、 抗生素等有害残留物进行检测是非常必要的。 表面增强拉曼散射技术(SERS)作为一种新兴的检测手段, 具有操作简单、 耗时短、 灵敏度高等优点。 对SERS技术概况、 增强理论和增强基底进行了简要介绍, 以药物残留检测领域常用的金属溶胶类基底、 固体活性基底和柔性活性基底为切入点, 重点介绍了表面增强拉曼光谱技术在农产品(肉类、 水产品、 果蔬和其他部分农产品等)药物残留检测领域中的研究现状。 传统溶胶基底具有成本低、 易合成和SERS性能优异等特点, 为了提高增强效果, 众多研究者从尺寸和形态入手进行基底优化, 开发出花状纳米结构、 星状纳米结构、 棒状纳米结构和链状纳米结构等形态的溶胶颗粒; 基于复合材料互补协同效应发展了一系列的核壳纳米结构, 有助于提升胶体基底的拉曼性能和稳定性。 固体基底结构稳定, 具有较好的一致性、 重复性。 柔性基底主要有基于柔性器件的、 柔性聚合物的、 以及柔性碳材料的三类SERS基底, 其具有机械性能优良、 不易损坏、 成本低等优点, 有利于实现微创或无损检测。 通过对比分析, 发现基底类型、 待检农产品的基质、 农药类型、 检测环境均会对检测结果产生影响, 当前研究的灵敏度较高, 表明了SERS技术结合纳米基底在检测复杂基质中农药残留的应用潜力。 同时指出应用SERS技术进行农产品药物残留检测的挑战: (1)农产品体内的药物残留量低、 分布不均匀, 导致拉曼信号相对较弱且易受荧光干扰和背景噪声干扰; (2)农产品基质复杂, 对SERS光谱数据的影响不容小觑; (3)当前SERS检测方法尚未标准化, 不同检测方案的结果差异较大。 随着表面增强拉曼散射的支撑理论和检测技术的不断进步, SERS将在食品安全领域具有更广阔的应用前景。

针对明虾品质劣变过程中的鲜度特征, 该研究以颜色(L*, a*, b*)、 挥发性盐基氮(TVB-N)、 pH等品质指标为研究对象, 利用拉曼无损检测技术采集4 ℃和-20 ℃下生鲜明虾光谱信息, 运用岭回归、 偏最小二乘法和前向逐步回归对明虾进行了快速定量检测, 建立了品质指标定量模型。 其中光谱数据预处理包括SG平滑、 背景扣除、 二阶微分、 标准正态变量变换, 按一定方式组合4种预处理和PCA降维技术进行数据处理, 筛选出最优模型。 结果表明: 利用岭回归建立颜色(a*, b*)定量模型时, 在组合预处理方式下建模集中R分别为0.983和0.973, RMSE分别为0.114和0.179, 预测集中R分别为0.513和0.564; RMSE分别为0.615和0.918, 建模集精度远超预测集表明出现过拟合, 经PCA降维后过拟合降低、 但预测集预测效果不理想; 偏最小二乘法在各指标建模集上精度和岭回归差不多, 在预测集上预测精度偏低, PCA降维后部分指标建模集相关系数下降、 均方根误差上升, 预测精度降低。 最终结果显示: 经过4种预处理后的前向逐步回归模型最优, 建模集中L*, a*, b*, pH和TVB-N指标R分别为0.904, 0.885, 0.864, 0.934和0.940, RMSE分别为1.141, 0.280, 0.535, 0.131和2.345; 预测集中R分别为0.863, 0.850, 0.859, 0.900和0.916, RMSE分别为1.394, 0.406, 0.605, 0.194和2.734, 建模效果好。 因此, 利用拉曼光谱技术结合前向逐步回归模型快速检测明虾中L*, a*, b*, pH和挥发性盐基氮含量可行, 对拉曼技术应用明虾品质检测具有一定指导意义。

不同产区的西湖龙井茶的品质具有差异。采用近红外光谱技术和光谱预处理、主成分分析和判别模型等数学方法鉴别了分别产自龙井村、梅家坞村和葛衙庄三个地区的西湖龙井茶。结果表明，二阶导数光谱预处理方法对去除近红外光谱中的噪音最有效，贝叶斯判别分析是这三个地区产的西湖龙井茶的最佳判别模型。在模型中输入5个主成分数后，最佳的原始判别率和交叉验证判别率分别为100%和82.35%。在交叉验证判别中，产自葛衙庄、龙井村和梅家坞的茶叶的判别正确率分别为80%、83.33%和83.33%。因此，该模型可以用于龙井村、梅家坞村和葛衙庄三个地区产的西湖龙井茶的鉴别，为西湖龙井茶产区的判别提供理论依据。

为了鉴别西湖龙井和浙江龙井茶叶，采用近红外光谱分析技术结合化学计量学方法建立了识别模型。先对原始光谱进 行标准正态变换(Standard Normal Variant, SNV)预处理，然后分别采用最小二乘判别分析(Partial Least Square Regression-discriminant Analysis, PLS-DA)、最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)和径向基人工神经网络(Radial Basis Function Neural Network, RBFNN)三种模型对西湖龙井和浙江龙井茶叶进行预测。最小二乘支持向量机参数通过网格搜索和完全交叉验证得到优化。经优化后，惩 罚系数(γ)和核函数参数(δ2)分别为229.1和124.9；RBFNN最佳隐藏层神经元个数为27个。通过比较可知， LSSVM的预测性能最好，其校正集均方根误差(RMSECV)和相关系数(R2)分别为0和1，验证集均方根误差(RMSEP)和相关系数(R2)也分别为 0和1，分辨正确率为100 %。

基于反射高光谱快速、无损的检测优势, 以不同历史时期考古土壤作为光谱信息来源, 应用相关分析和多元变量统计方法, 构建了历史时期土壤重金属含量的高光谱反演模型.结果表明, Cd、Cr、Cu、Ni和Pb含量与原始光谱在400～550nm和1000～2500nm存在显著相关, 微分转换有助于提取土壤中重金属元素信息.一阶微分光谱的多元线性逐步回归模型为反演历史时期土壤重金属含量的最佳模型, 其判定系数最小为0.92, 均方根误差最大为1.83.As与反射光谱相关性受到铁的氧化物、有机质及碳酸盐类矿物的影响; Cd、Cu和Ni主要受到铁的氧化物、粘土矿物和有机质的影响; Cr则受多种因素综合作用, 情况较复杂; Pb主要受到铁的氧化物和粘土矿物的影响.

采用气态源分子束外延方法及应用有源区同质结构及较薄的组分渐变InxGa1-xAs缓冲层,研制了波长扩展的InGaAs/InP光伏探测器系列,其室温下的截止波长分别约为1.9 μm,2.2 μm.和2.5 μm.对此探测器系列在较宽温度范围内的性能进行了细致表征,结果表明在室温下其R0A乘积分别为765,10.3和12.7 Ωcm2,比室温降低100K时其暗电流和R0A可改善约3个量级.瞬态特性测量表明此探测器系列适合高速工作,实测响应速度已达数十ps量级.