近红外光谱（NIRS）是一种间接分析技术, 其应用需建立相应的校正模型。 为了提高模型的解释能力、 预测准确度和建模效率, 需要对NIRS进行波长选择, 优选最小化冗余信息。 智能优化算法是以生物的行为方式或物质的运动形态为背景, 经过数学抽象建立算法模型, 通过迭代计算来求解组合最优化问题, 其核心策略是以某种目标函数为标准, 基于多元校正建模并以逐步逼近的方法筛选出有效的波长点。 选用蚁群优化（ACO）、 遗传优化（GA）、 粒子群优化（PSO）、 随机青蛙（RF）和模拟退火（SA）5种智能优化算法对烟叶总氮和烟碱近红外光谱数据进行特征波长选择, 结合偏最小二乘（PLS）算法, 构建了多个烟叶总氮和烟碱的校正模型, 结果显示: 所选用两个数据集的总氮最优模型分别为PSO-PLS和GA-PLS模型, 烟碱最优模型分别为GA-PLS和SA-PLS模型, 五种智能优化算法所建模型预测性能并非全部优于全谱PLS模型, 但是通过智能优化算法进行波长选择后建立的PLS模型大大简化, 模型的预测精度、 可解释性和稳定性均有所提高。 同时也对优选波长进行了解释和分析, 烟叶总氮特征波长优选组合为4 587~4 878和6 700~7 200 cm-1; 烟叶烟碱特征波长优选组合为4 500~4 700和5 800~6 000 cm-1, 优选出来的特征波长具有实际物理意义。

采用微波消解-八极杆碰撞/反应池(ORS)-电感耦合等离子体质谱仪(ICP-MS)测定甜味剂中Cr, Co, Ni, Cu, As, Cd, Sn, Sb, Hg, Pb等十种重金属元素的含量。 样品用硝酸+双氧水消解后, 试液直接用ICP-MS法进行测定。 应用ORS技术, 有效地消除了多原子离子对待测元素的干扰, 选用45Sc, 89Y, 115In和209Bi等元素为内标混合液校正基体效应和信号漂移, 确定了实验的最佳测定条件。 结果表明, 该方法对十种待测元素的检出限在0.003～0.038 μg·L-1之间, 加标回收率在93.0%～106.6%之间, 相对标准偏差(RSD)≤3.4%。 方法简便、 快速、 准确, 可以用于食品甜味剂质量控制和安全评价。

拉曼光谱分析中, 由于有机分子或样品中污染物的荧光影响, 常会使拉曼光谱产生高背景信号, 以致其拉曼光谱吸收信号被淹没。 利用自行开发的软件包baselineWavelet, 本文对醋酸泼尼松片和格列本脲片的拉曼光谱进行了荧光背景扣除研究, 采用主成分分析和随机森林算法对它们进行聚类分析, 得到了较好的结果。 通过这2种药物的拉曼光谱聚类分析结果, 检验了该背景扣除算法的有效性和准确性, 并讨论了荧光背景对拉曼光谱聚类分析的影响。 结果说明, 荧光背景对拉曼光谱聚类分析影响很大, 在分析前必须预先扣除。

应用近红外光谱分析技术结合化学计量学方法, 建立了奶粉脂肪和蛋白质含量测定的化学计量学建模新方法.首先采用Kernard-Stone法对校正集样本和预测集样本进行分类, 然后利用小波变换滤波技术对样品的近红外光谱进行压缩去噪处理, 结合滤波后重构光谱信号建立脂肪和蛋白质的径向基神经网络回归模型, 并分别对径向基网络的扩散常数spread值及小波变换中的小波基与压缩尺度三个参数进行了详细的讨论.脂肪模型在小波基为db2及小波尺度为4、spread值为3.5时的预测模型精度最好；蛋白质模型在小波基为db8及小波尺度为4、spread值为6时, 预测模型精度最好.所建立的脂肪和蛋白质校正模型的预测集相关系数(Rp)分别为0.990和0.994, 预测均方根误差分别为0.007与0.004.预测结果表明, RBF网络结合小波变换进行建模预测, 模型简单、稳健且精度较好, 该方法适合奶粉脂肪和蛋白质含量的快速、无损测定.

应用近红外光谱分析技术(NIRS)并结合支持向量机(SVM)，对三种不同年龄段人食用的奶粉品种进行了鉴别。先采用Kennard-Stone 法对150个样本进行挑选，选出120个作为训练集，剩余的30个作为预测集。实验中选用径向基函数(RBF)为核函数，采用二次网格搜索和五 折交叉验证优化两个建模参数：核参数[EQUATION]和惩罚因子[EQUATION]，最佳值为[EQUATION]0.03125，[EQUATION]2048。用最优参数值建立的校正模型，对 训练集和预测集的判别率均可达到100%。与主成分分析(PCA)进行了比较。结果表明，SVM鉴别准确率高于PCA，说明近红外光谱可以快速、准确 地鉴别不同年龄段人食用的奶粉品种。