研究了适合进行玉米群体样品品种真实性鉴定的光谱测量方法。 分别用近红外光谱仪的全波漫反射和短波漫透射测量方法采集8个玉米品种的光谱数据， 对预处理后的数据做偏最小二乘分析(PLS-DA)， 建立8个玉米品种的仿生模式识别模型。 分别统计用两种方法所测数据建立的品种识别模型对本类样品的平均正确识别率和对异类样品的平均正确拒识率， 漫反射方法达到94.5%和96.71%， 漫透射方法达到98.50%和98.00%,　均满足玉米品种初筛所要求的精度， 其中短波漫透射方法建立的模型对测试样本的平均正确识别率和拒识率分别比全波漫反射方法高出4%和1.3%。

近红外光谱特征提取是近红外光谱定性分析的关键步骤， 其质量直接影响定性分析结果。 采用漫透射方法测量8个玉米品种的近红外光谱， 经预处理后， 分别采用PCA， ICA， PLS-DA和小波分解四种方法对光谱进行特征提取， 并使用仿生模式识别方法建立了8个玉米品种识别模型， 最后使用测试集数据进行模型测试。 结论如下： 使用PLS-DA方法进行特征提取后建立的模型正确识别率优于使用PCA， ICA和小波分解特征提取后建立的模型。

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向。 该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统, 此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识。 首先采用一阶导数法对原始光谱进行预处理, 光谱数据经主成分分析后, 根据仿生模式识别理论建立判别模型。 在建立模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元, 并提出了包含指数的概念以辅助判定样品的唯一归属。 测试结果表明, 该系统对参与建模的品种有较强的判别能力, 即使建模品种达到34个时系统平均正确判别率仍达到91.8％。 同时对于未参与建模的品种也有较强的拒识能力, 平均正确拒识率达到95％以上。

现有的玉米种子品种鉴别方法检测时间长, 费用高, 不易大批量快速鉴别。 提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。 先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。 对原始光谱进行矢量归一化预处理以消除噪声干扰, 为了找到玉米品种籽粒的光谱特征波段, 提出一种基于标准差的方法, 进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA), 取能反映玉米品种 99.98％ 光谱信息的前10个主成分。 最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型, 对于每个品种的25个样本, 随机挑选15个样本作为训练样本, 其余10个样本作为第一测试集, 其他品种共900个样本作为第二测试集。 该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。 该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。

提出了一种采用近红外光谱快速鉴别转基因小麦种子的方法, 对不同品种的9个转基因小麦样品种子分别建立了鉴别模型。 对9个小麦样品共225个样本, 通过近红外光谱仪扫描获得从4 000～12 000 cm-1波段范围的光谱数据。 为了消除噪声, 对原始数据先进行了归一化预处理; 然后使用主成分分析(PCA)方法得到能反映小麦种子97.28%光谱信息的前10个主成分, 提高了数据处理效率; 最后利用仿生模式识别(biomimetic pattern recognition, BPR)方法建立小麦品种的鉴别模型。 对于每个样品中的25个样本, 随机挑选15个样本作为训练样本, 其余10个样本作为第一测试集, 其他品种共200个样本作为第二测试集。 在对第二测试集平均正确拒识率达到96.7%的情况下, 对第一测试集中的样本取得了95.6%的平均正确识别率。 实验结果表明, 该方法具有较高的鉴别准确度, 可以作为一种快速无损的转基因小麦种子鉴别方法。

文章提出了一种采用近红外光谱快速鉴别玉米品种的新方法， 并对不同品种的玉米种子建立了相应的鉴别模型。 对7个玉米品种共140个样本， 通过近红外光谱仪扫描获得4 000～12 000 cm-1波段范围内的光谱数据。 为了消除噪声、 提高数据处理效率， 对原始数据进行了归一化预处理， 采用固定尺寸移动窗口渐进因子法(fix-sized moving window evolving factor analysis)寻找特征波段， 使用主成分分析(PCA)方法得到能反映玉米种子99.96%光谱信息的5个主成分， 进而利用仿生模式识别(biomimetic pattern recognition)方法建立玉米品种的鉴别模型。 对于每个品种中的20个样本， 随机挑选10个样本作为训练样本， 其余10个样本作为第一测试集， 其他品种共120个样本作为第二测试集。 在对第二测试集平均正确拒识率达到99.1%的情况下， 对第一测试集中的样本取得了94.3%的平均正确识别率。 该方法具有较高的鉴别准确度， 可以作为一种快速无损的玉米品种鉴别方法。