利用近红外光谱对核桃露中的重要指标脂肪含量进行定量分析, 同时进行建模变量优化、 建模方法比较以优选最佳模型。 为消除散射对光谱造成的影响, 采用标准正态变换(SNV)方法对数据进行预处理, 采用遗传算法(GA)结合向后间隔偏最小二乘法(BiPLS)优选的特征波长分别作为偏最小二乘法(PLS)及最小二乘支持向量机(LS-SVM)的输入变量, 建立核桃露中脂肪含量的近红外定量模型, 采用决定系数(R2)、 预测标准偏差(RMSEP)以及性能偏差比(RPD)对各模型进行评价, 探究光谱波段选择方法对于核桃露中脂肪指标模型构建的影响, 同时确定最佳建模方法。 结果表明: 进行变量筛选能够对模型起到优化作用, BiPLS及GA-BiPLS方法分别选择了150及30个变量点, 占全光谱的10%及2%, 对应了核桃露样品中脂肪成分的特征吸收峰, 使得PLS模型的RMSEP值从0.049分别下降到0.043和0.040, 同时模型的相关系数R2从0.964提高到0.973及0.974, 性能偏差比RPD从4.88增长到5.62及6.00, 主成分数也有不同程度的减少, 降低模型复杂程度的同时提高了模型准确性。 相比于PLS模型, 核桃露脂肪指标的LS-SVM模型的R2, RMSEP及RPD值均表现出了更好的效果, 分别达到0.986, 0.036及6.52。 说明基于最小二乘支持向量机建立的分析模型有较高的准确度及稳定性, 可能是由于PLS作为一种经典的线性建模方法, 在建立模型的过程中忽略了样品数据集中的非线性因素, 而核桃露样品光谱测量过程中噪声、 背景等因素的干扰, 以及各指标成分间的相互影响, 使得脂肪含量与近红外光谱信息间存在复杂非线性的变化关系, LS-SVM方法能够更为有效地对其进行描述, 增强了光谱变量与指标浓度间的相关性, 使得建立的模型有着更好的准确度以及普适性, 说明了在实际生产中, LS-SVM方法具备优良的可行性, 体现了其在核桃露饮品品质分析方面的巨大潜力。 基于最小二乘支持向量机方法所建立的核桃露脂肪含量的定量分析模型, 具有准确、 稳定的特点, 能够为核桃露生产的质量监控提供技术借鉴, 同时为饮品品质的分析方法研究提供了新的思路。

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、 粗皮、 脱萼、 宿萼、 突顶果）的硬度进行测定。 由于近红外光谱数据量大且原始光谱噪声明显、 测定水果时散射严重等导致光谱建模时关键波长变量提取困难。 以新疆库尔勒香梨为研究对象, 为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响, 首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。 为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法, 进行香梨近红外光谱的特征波长变量选择方法的比较与研究。 研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。 同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量, 将校正均方根误差（RESMC）、 预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准, 并最终确定最优波段选择方法及最佳预测模型。 基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中66%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果, 其中R2, RMSEC和RMSEP分别为091, 103和101。 进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现, BiPLS-GA不仅可以去除原始光谱数据中的无信息变量, 同时也能够对共线性的变量进行压缩去除, 使得建模变量从301个减少到20个。 极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。 因此该方法能够有效地用于近红外光谱数据变量的选择。 证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量, 去除与库尔勒香梨硬度无关的近红外光谱信息, 显著地提高库尔勒香梨硬度定量模型的预测精度。 这不仅为新疆地区特色梨果库尔勒香梨的快速、 精确、 无损优选分级提供一定的技术支持, 同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。

为了提高白酒酒醅主要成分的快速检测技术水平, 利用近红外光谱法对白酒酒醅中的水份、 淀粉、 酸度和酒精度进行定量分析, 通过PLS建立酒醅成分定量分析模型, 同时采用CARS、 间隔偏最小二乘变量选择法(iPLS)和无信息变量消除法(UVE), 实现光谱特征波段选择, 并利用多元散射校正(MSC)、 导数以及标准正态变量变换(SNV)等预处理方法进行模型优化。 用决定系数(R2)、 预测标准偏差(RMSEP)以及最佳主因子数对模型进行评价, 确定最佳建模方法。 结果表明: 波段筛选能够对模型起到优化作用, 并提高模型运算速度, 其中CARS优化效果最为明显, 酒醅水份、 淀粉、 酸度和酒精度的R2分别达到0.885, 0.915, 0.951, 0.954; RMSEP分别为0.630, 0.519, 0.228, 0.234, 有效地提高了模型的稳定性与准确度。 经过优化, 所建模型预测效果好, 能够满足白酒酒醅主要成分的快速检测要求, 在实际应用中有一定的参考价值。