以全国17个主要烤烟产地省份中收集的3 914个烟叶样品的近红外光谱为实验对象, 其中浓香型、 中间香型、 清香型烟叶光谱分别865条、 1 403条、 1 646条, 应用近红外光谱和多算法融合方法分析其香型风格特征。 在以产地进行初步划分烟叶香型以及认可过渡型和非典型香型类型的基础上, 选取基于主成分及Fisher准则的投影法(PPF)、 偏最小二乘判别(DPLS)、 支持向量机(SVM)作为单分类器, 得到各个算法第1和2判别分析结果； 应用PPF-DPLS-SVM融合和各算法第1和2判别分析结果, 将预测验证样品的分析结果详细划分为典型、 过渡型、 非典型香型样品(分别为493, 392, 115个)； 其中典型香型烟叶样品的判别准确率达到927%, 较未进行典型样品划分时PPF, DPLS, SVM单算法的识别准确率分别提高了302%, 154%, 166%。 样品数据来源于全国主要烤烟产地, 数据量大, 代表性较好, 分析结果具有一定普遍性； 提出的多算法融合分析方法大幅度提高了通过客观数据判别烤烟香型的准确率； 同时, 将烤烟香型细划分为典型、 过渡型和非典型香型的方式, 对烤烟烟叶原料的科学合理利用以及烟叶原料的模块化工业加工等有指导作用。

将多种单分类器模型融合, 并用融合后的模型对不同品种干红葡萄酒进行判别分析。 用BRUKER MPA傅里叶变换型近红外光谱仪采集170个干红葡萄酒样品的近红外透射光谱, 选取PLS-DA, SVM, Fisher和AdaBoost作为单分类器建模方法, 分别建立葡萄酒品种判别模型, 通过差异性度量值对单分类器进行筛选, 得到差异性较大的四个单分类器作为基分类器, 其中基分类器对测试集葡萄酒品种判别准确率最高为88.24%, 最低为81.18%。 然后通过加权投票机制对基分类器进行融合, 融合后的模型对测试集葡萄酒品种判别准确率提高至92.94%, 误判样品个数由单分类器最少的9个降为6个。 实验结果表明多分类器融合所建立的模型优于传统近红外光谱定性分析一般采用单分类器模型结果, 提高了葡萄酒品种判别的准确性, 采用基于近红外光谱的多分类融合方法对葡萄酒种类判定具有可行性。

准确、 快速解析混合样品的组成比例对食品、 农产品加工过程的质量控制和配方设计具有重要作用。 传统的解决方法多是利用大量代表性样品建立统计模型来实现, 耗时耗力。 以醇类及酸类液体混合样品及其低浓度溶液混合样品(无近红外特征吸收的四氯化碳(CCl4)为溶剂介质)的透射光谱, 以及片状烟叶样品漫反射光谱为例, 采用导数和S.G.平滑, 结合非负回归系数回归法(配方回归)验证了在一定条件下解析混合样品组成比例的可行性。 结果表明, 对醇酸类液体透射光谱, 根据非负回归系数回归法得到的解析比例更接近于醇酸类液体的实际摩尔比例, 与实际摩尔比例的误差在8%以内, 其低浓度溶液的解析效果更优, 与实际摩尔比例的误差在4%以内; 对片状烟叶的漫反射光谱, 根据非负回归系数回归法得到的解析比例与实际质量比例的误差在10%以内; 同时, 混合样品的实际光谱与理论解析光谱之间均具有高度一致性, F和t检验的结果均在0.01水平上, 无显著性差异, 从理论上分析了解析比例的可靠性。 该方法只需已知几种纯样品的光谱数据, 即可解析出混合样品的纯样品组成比例, 具有较好应用前景。