以不同存储时间, 同一产地及收获时间的10个玉米品种种子为对象, 研究存储时间在玉米单籽粒近红外光谱真实性鉴定中, 对近红外光谱分析技术检测结果的影响。 利用1月份光谱数据建立品种真实性鉴定模型(单月建模), 分别鉴定2到12月的相同品种, 原始光谱采用平滑、 一阶差分和矢量归一化进行预处理, PLS-DA建立模型进行分析比较, 结果显示, 正确鉴定率均呈逐月下降的趋势, 同一品种的同一种子批, 由储藏开始建立的品种真实性鉴定模型已无法对储藏11个月后的该种子批进行高准确度的鉴定, 储存时间由1个月增加至11个月时, 模型的平均正确鉴别率降低26.27%, 这说明玉米种子的存储时间越长将降低应用近红外光谱鉴定品种真实性的鉴定准确度。 另外, 本研究发现玉米种子存储时间越长, 导致同一品种种子样品的光谱数据在空间分布上产生差异, 光谱数据离散化更明显, 重复性一致性越低, 使得玉米种子的真实性鉴定结果的准确性越低。 通过扩充建模集中易受干扰的信息的范围, 即将1年内在不同时间段里随取样时间变化而导致的在不同环境因素、 仪器因素及种子样品等变化因素下采集到的光谱数据, 均扩充到建模光谱数据中, 以增加根据扩充数据建立的近红外光谱预测模型的包容性。 通过1月与2月建模集联合后建立的包容性模型(联合建模), 之后分别对2016年3月—12月测试集的样品进行鉴定, 之后逐月增加建模集光谱数据, 并对非建模集所在月份进行逐月鉴定, 以京科968为例, 结果表明, 模型对建模集相邻月份的测试准确度较高, 之后逐月降低。 当建模集内加入1到6月份建模集内的特征光谱后, 包容性模型的平均正确鉴别率可稳定在92%以上。 通过以上方式, 对10个玉米品种进行了测试, 结果表明, 包容性模型对于玉米种子真实性的正确识定率相较于单月模型均有明显提高。 J92与XY211的平均正确鉴别率分别提高11.58%与7.71%。 将2016年整年的光谱数据均加入包容性模型的建模集中, 使测试集玉米杂交种2017年的平均正确鉴别率达到94.68%, 自交系达到95.03%, 为进一步研发专用模型和实用设备提供基础。

将蒙牛、伊利、完达山三个品牌的奶粉样品掺入不同量的淀粉构成32份实验样品.在跨度近两个月时间内,用JDSU微型近红外光谱仪,分五天重复5次采集这些样品的中波近红外漫反射光谱.采用仿生模式识别(BPR)算法对样品进行掺假识别定性分析,并研究了分析的可靠性与模型的稳健性.以90%作为评价分析结果(样品掺杂的正确识别率 CAR与正确拒识率 CRR)的阈值:将测试结果高于此阈值的所有样品中掺入淀粉的最低含量分别称为样品掺杂的正确识别限与正确拒识限.结果显示:三个品牌奶粉样品分别各自建模时,若用同一天测定的部分光谱数据建立模型,预测该天剩余光谱,样品掺杂的正确识别限与正确拒识限都可以达到0.1%.对于三种品牌奶粉合并后的纯奶粉及其淀粉掺杂样品混合建模时,若用同一天测定的光谱建模与测试,样品掺杂的正确识别限也可以达到0.1%,正确拒识限则为1%;若用不同时间采集的光谱进行交叉测试,正确识别限与正确拒识限都只有5%;若用四天的光谱数据联合建模,测试第五天的数据,正确识别限可以稳定达到1%,正确拒识限可以达到5%.应用两种算法对奶粉中淀粉含量进行定量分析比较,进一步验证了有关定性分析对样品掺杂正确识别限和正确拒识限的可靠性.

以不同产地和年份的农华101（NH101）玉米杂交种和母本种子为对象, 研究了鉴别玉米杂交种子纯度的近红外光谱分析方法。 光谱采集时间跨度达10个月, 运用傅里叶变换（FT）近红外光谱仪器, 在不同季节用23天（分五个时间段）采集了这些样品共920条玉米单子粒近红外漫反射光谱。 全部原始光谱用移动窗口平均、 一阶差分导数和矢量归一化进行预处理, 使用主成分分析（PCA）方法和线性判别分析（LDA）方法降维, 采用仿生模式识别（BPR）方法建立模型。 通过对光谱预处理校正光谱失真, 使样品光谱集在特征空间分布的范围收缩, 相对距离增大了近70倍, 实现了母本和杂交种子的鉴别。 通过代表性样品的选择, 提高了模型对光谱采集时间、 地点、 环境等条件变动的应变能力, 也提高了模型对样品种子制种时间与地点变动的应变能力, 增强了模型的稳健性, 使测试集玉米单子粒杂交种和母本种子的平均正确识别率达到95%以上, 而平均正确拒识率也达到85%以上。

采用多元散射校正(MSC)预处理方法对冬小麦叶片反射光谱进行预处理,有效地减小物理因素对光谱的影响,之后用非线性迭代偏最小二乘法(NIPALS)提取经MSC处理后的反射光谱的主成分,主成分个数由交叉证实法(Cross Validation)确定,将提取的主成分作为人工神经网络(ANN)的输入,建立人工神经网络分析模型(MSC-ANN),用冬小麦叶片的反射光谱来预测冬小麦叶片叶绿素含量。 校准集的化学值与预测值的相关系数r达到0.960 4,预测标准偏差SD为0.187,相对标准偏差RSD为5.18%。 检验集的化学值与预测值的相关系数r达到0.960 0,预测标准偏差SD为0.145,相对标准偏差RSD为4.21%。 结果表明,MSC-ANN方法能在较大程度上消除了野外物理因素的影响,使用具有代表性的光谱数据点建立模型,能够建立准确的冬小麦叶绿素含量预测模型,可代替经典分析方法,满足冬小麦叶片叶绿素快速分析的需要。