以四种品牌152组食用醋样品为研究对象, 采用漫反射与透射两种近红外光谱采集模式分别进行光谱数据采集, 并以此建立了食用醋品牌溯源模型, 重点考察光谱采集模式、 光谱预处理方法等对溯源模型精度的影响。 结果表明, 选取114组样品为训练集, 原始光谱数据经过多元散射校正、 二阶求导预处理后, 采用偏最小二乘判别分析法(PLS1-DA)建立的食用醋NIRS品牌溯源模型, 对38组测试集样品进行预测, 透射光谱模型的决定系数(R2)、 校准均方根误差(root-mean-square error of calibration, RMSEC)、 预测均方根误差(root-mean-square error of prediction, RMSEP)分别为0.92, 0.113, 0.127, 正确识别率为76.32%; 漫反射光谱模型R2, RMSEC, RMSEP分别为0.97, 0.102, 0.119, 正确识别率为86.84%。 由此说明, 近红外光谱结合PLS1-DA可以用来建立食用醋品牌溯源模型, 且漫反射光谱模型预测效果更好。

薏仁是一种药食两用资源, 对其品质快速鉴别的需求也越来越多, 近红外光谱技术（near infrared spectroscopy, NIRS）作为一种快速、 无损且环保的方法正适合这一需求。 以不同产地和品种薏仁的近红外光谱为基础, 结合化学计量学方法对薏仁种类进行鉴别。 对原光谱用无监督学习算法主成分分析（principal component analysis, PCA）和有监督学习算法学习向量量化（learning vector quantization, LVQ）神经网络、 支持向量机（support vector machine, SVM）进行定性判别分析。 由于不同地区和不同品种的薏仁营养物质组成复杂且含量相近, 所选两类薏仁的特征变量很相似, 因而PCA得分图重叠严重, 很难区分; 而LVQ神经网络和SVM都能得到满意结果, LVQ神经网络的预测正确率为90.91%, SVM在经过惩罚参数和核函数参数优选后, 分类准确率能达到100%。 结果表明: 近红外光谱技术结合化学计量学方法可作为一种快速、 无损、 可靠的方法用于薏仁种类的鉴别, 并为市场规范提供技术参考。

采用近红外光谱漫反射模式, 结合简易分类技术（soft independent modeling of class analogy, SIMCA）对不同品牌乳粉进行了分类溯源研究。 实验共采集了四种不同品牌乳粉, 包括光明乳粉54组, 荷兰乳粉43组, 雀巢乳粉33组以及伊利乳粉8组共138组样品的近红外光谱, 通过对预处理后的训练集全谱段数据变量进行主成分分析, 得出前三个主成分的累积方差贡献率为99.07%。 利用SIMCA类建模法建立的乳粉主成分回归模型对预测集乳粉进行分类, 研究结果表明, 光明乳粉、 荷兰乳粉、 雀巢乳粉的识别率分别为78%, 75%, 100%, 拒绝率分别为100%, 87%, 88%。 因此, 近红外光谱结合SIMCA建立的模型具备较好的乳粉品牌溯源能力, 为快速、 准确鉴别乳粉品牌提供了新思路。