为了探究一种快速、准确的含钩吻蜂蜜的检测方法, 通过中红外(MIR)光谱仪采集了来自不同地区的216个无毒、含钩吻有毒的蜂蜜样品的MIR光谱图像, 选取光谱图像的800~1 800 cm-1波段作为主要研究波段, 应用主成分分析法并结合偏最小二乘回归(PLS-DA)算法建立有无钩吻鉴别模型, 比较不同数据预处理方法的预测结果。仿真结果表明: 经一阶导数预处理后建立的蜂蜜有无钩吻鉴别模型的鉴别效果最佳, 鉴别准确率达到90.74%。

目前我国蜂蜜市场掺假现象严重, 研究一种快速、 准确的方法用于市场流通领域掺假蜂蜜的鉴别具有重要的现实意义。 采用近红外光谱(NIR)结合化学计量学方法对常见的天然蜂蜜以及掺假(掺杂常见糖浆)蜂蜜进行建模识别, 并比较偏最小二乘-判别分析(PLS-DA)及支持向量机(SVM)对糖浆掺假蜂蜜鉴别模型的影响。 首先, 采集来自中国10个省份、 20种常见蜂蜜的112个天然纯蜂蜜样品, 以及6种常见糖浆样品按不同糖浆含量(10%, 20%, 30%, 40%, 50%, 60%)配制的112个掺假蜂蜜样品, 共计224个样品; 通过近红外光仪器扫描获得所有样品的近红外光谱数据(波长范围400~2 500 nm); 然后, 分别采用一阶导数(FD)、 二阶导数(SD)、 多元散射校正(MSC)、 标准正态变化(SNVT)四种方式对原始光谱进行预处理; 再结合PLS-DA和SVM建立天然蜂蜜和糖浆掺假蜂蜜的鉴别模型, 比较不同预处理方法对两种不同建模算法建立的蜂蜜掺假鉴别模型效果。 其中SVM算法的惩罚参数c和核函数参数g通过网格搜索法(GS)、 遗传算法(GA)、 粒子群算法(PSO)三种寻优算法进行优化。 分析结果表明: 光谱数据进行预处理后所建立的模型准确率均有明显提升, 而对于SVM模型, 惩罚参数c和核函数参数g对模型准确率的提升效果要比光谱预处理带来的提升效果更明显。 在PLS-DA算法中, 经FD光谱预处理后建立的模型效果最好, 最佳PLS-DA模型准确率为87.50%; 在SVM算法中, 经MSC预处理后, 再通过GS寻优, 获得惩罚参数c为3.0314, 核函数参数g为0.3298的条件下所建立的模型效果最好, 最佳SVM模型准确率为94.64%。 由此可见, 非线性的SVM算法结合NIR光谱数据所建立的天然蜂蜜与糖浆掺假蜂蜜鉴别模型要优于线性的PLS-DA模型, 同时表明NIR光谱结合化学计量学方法对常见糖浆掺杂的中国蜂蜜鉴别是可行的。

为探寻一种快速可靠的分析方法用于橄榄油中掺杂煎炸老油含量的测定, 实验采用可见和近红外透射光谱分析技术结合区间偏最小二乘法(interval partial least squares, iPLS)、 联合区间偏最小二乘法(synergy interval partial least squares, SiPLS)和反向区间偏最小二乘法(backward interval partial least squares, BiPLS), 对掺杂不同含量煎炸老油的橄榄油建模分析, 并对不同模型比较优选。 采集样品400~2500 nm范围内的光谱, 对光谱数据进行Savitzky-Golay(SG)平滑去噪。 剔除奇异样本后, 采用sample set partitioning based on joint X-Y distance(SPXY)法划分样本集, 以不同的iPLS优选建模区域, 建立煎炸老油含量预测模型。 结果表明: 对掺杂不同含量煎炸大豆油的橄榄油, 采用划分20个区间, 选择2个子区间［4, 16］建立的SiPLS模型预测效果最好, 相关系数(Rp)达0.998 9, 预测均方根误差(RMSEP)为0.019 2。 对掺杂不同含量煎炸花生油的橄榄油, 采用划分20个区间, 选择2个子区间［2, 16］组合建立的SiPLS和BiPLS模型具有相同的预测效果, 预测均方根误差(RMSEP)为0.0120, 均优于iPLS模型。 此外, 与SiPLS模型相比, BiPLS模型运算量少, 速度快。 由此可见, 基于掺杂油样品的可见和近红外透射光谱, 分别采用组合区间偏最小二乘法(SiPLS)和反向区间偏最小二乘法(BiPLS)优选建模光谱区域, 可以对橄榄油中掺杂煎炸大豆油和煎炸花生油含量进行准确测定。 而且, 实验过程无需对掺杂油样品进行预处理, 无环境污染, 操作简单, 快速无损。

为探究一种快速、 可靠的化橘红检测方法, 本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器(MLP)神经网络所构建的模式识别方法, 对化橘红进行鉴别, 并对两种方法进行了比较。 实验以81个正毛化橘红, 37个其他品种橘红共118个样品为研究对象, 采集所有样品的红外光谱和荧光光谱图像。 根据光谱曲线中不同样品间的差异, 取红外光谱中550-1800 cm-1区段范围内的光谱数据和荧光光谱曲线中的400～720 nm区段的光谱数据进行分析, 应用主成分分析法(PCA)对化橘红的光谱数据进行降维处理, 再结合MLP神经网络对化橘红样品进行判别分析。 实验中分别使用多元散射校正(MSC)、 标准正态变量校正(SNV)、 一阶导(FD)、 二阶导(SD)以及Savitzky-Golay(SG)平滑数据预处理方法, 并比较他们对鉴别模型的影响。 分析结果表明: 利用红外光谱法(FTIR/ATR), 经由Savitzky-Golay(SG)平滑预处理得到的数据, 通过隐层函数为sigmoid的三层MLP模型, 能够得到最优正毛化橘红识别率, 其结果训练集和测试集的识别率都为100%; 利用荧光光谱成像技术, 由多元散射(MSC)预处理的结果是最理想的。 经过预处理的数据, 通过隐层函数为sigmoid函数的三层MLP模型, 训练集识别率达到100%, 测试集识别率达到96.7%。 由此可见, 衰减全反射红外光谱法(FTIR/ATR)和荧光光谱成像技术分别与MLP神经网络构建的识别模式, 均可对化橘红的判别达到快速、 可靠的效果。

为探究一种快速、 可靠的肉苁蓉属中药材检测方法, 实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材: 荒漠肉苁蓉、 管花肉苁蓉和沙苁蓉进行鉴别研究。 实验中发现肉苁蓉样品存在较显著的荧光特性, 采集来自不同产地、 不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像, 对图像进行去噪、 二值化处理后, 根据光谱立方体绘制每个样本的光谱曲线, 将所得450～680 nm波段范围内的光谱数据作为鉴别分析的研究对象, 应用主成分分析法(PCA)对三种肉苁蓉的光谱数据进行降维处理, 再结合Fisher判别方法对三种肉苁蓉进行鉴别。 分别比较多元散射校正(MSC)、 标准正态变量校正变换(SNV)以及一阶微分(FD)三种数据预处理方法对鉴别模型的影响, 并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。 分析结果表明: 一阶微分预处理后提取前四个主成分进行Fisher判别的鉴别效果最佳, PCA结合Fisher判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100%, 交叉验证的准确率达到95%。 由此可见, 利用荧光光谱成像技术结合主成分分析及Fisher判别对肉苁蓉属三种药材的鉴别分析是可行的, 而且具有操作简便、 快速、 可靠等优点。

采用衰减全反射傅里叶变换红外光谱(FTIR-ATR)结合模式识别的方法建立橄榄油的快速鉴别模型。实验中测定不同品牌的纯橄榄油样本与纯大豆油样本以及橄榄油中掺入大豆油的混合油样本的FTIR-ATR 光谱。将625~4000 cm-1波段的光谱数据作为鉴别研究对象，应用主成分分析法(PCA)对光谱数据进行降维处理，再结合Fisher 判别分析和多层感知器神经网络两种模式识别的方法对纯橄榄油、纯大豆油以及三种掺杂有大豆油的橄榄油样本进行鉴别。结果表明：对原始数据所采用的预处理方法中，经小波去噪后的数据的鉴别效果最佳。PCA 结合Fisher 判别分析建立的判别模型，原始判别的准确率达到100%，交叉验证的准确率达到97.1%；多层感知器神经网络鉴别模型训练集分类准确率为100%，测试集分类准确率为100%。因此，FTIR-ATR 光谱技术结合模式识别方法可以实现对纯橄榄油、纯大豆油以及三种掺杂有大豆油的橄榄油样本的鉴别，而且具有操作简便、快速、可靠等优点。

为探讨快速、 实时藻类检测方法, 实验通过荧光光谱成像技术结合模式识别方法对不同藻类进行鉴别研究。发现藻类样本存在着显著的荧光特性, 通过采集40个藻类样品的荧光光谱图像, 对图像进行去噪、 二值化处理, 确定有效像素后, 根据光谱立方体绘制每个样本的光谱曲线, 将所得400～720 nm区段范围内的光谱数据作鉴别分析, 再利用系统聚类分析及主成分分析两种不同的模式识别法对光谱数据进行处理。系统聚类分析结果表明: 采用欧氏距离法及平均加权法计算样本间的聚类距离, 在距离L=2.452以上水平处可将样本正确分类, 准确率为100%; 主成分分析结果表明: 通过对原始光谱数据进行一阶微分、 二阶微分、 多元散射校正、 变量标准化等预处理后, 再对数据进行主成分分析, 其中二阶微分预处理后鉴别效果最佳, 八种藻类样品在主成分特征空间中独立分布。因此, 利用荧光光谱成像技术结合聚类分析法及主成分分析法对藻类进行鉴别是可行的, 操作简便、 快速、 无损。

为探究无损鉴别转基因大豆的可行性, 利用近红外光谱分析仪对大豆扫描得到反射光谱, 应用主成分分析结合BP神经网络方法进行分析鉴别。 首先应用主成分分析法, 得到包含大豆99.03%的光谱信息的6个主成分, 再将其作为BP神经网络的输入, 对应的大豆种类作为输出, 建立一个三层BP神经网络模型。 该模型对于转基因大豆的正确识别率为100%, 说明近红外光谱结合主成分分析和BP神经网络的方法能无损快速准确地鉴别转基因大豆。

在测量人体皮肤中红外光谱的过程中， 皮肤与ATR晶体之间的接触面积很难保持一致， 导致倏逝波与人体皮肤的作用光程会产生差异。 以光程变化信息与葡萄糖浓度信息之间的相关性为基础， 建立了两个分析葡萄糖含量的偏最小二乘回归（PLSR）模型， RMSECV分别为31.3和4.52 mg·dL-1； RMSEP分别为30.3和98.7 mg·dL-1。 结果表明， 当光程变化信息与葡萄糖浓度信息之间偶然相关时， 所建PLSR模型的预测精度与稳健性会受到不同程度的影响， 随着二者之间相关性的增强， 最优模型对葡萄糖信息的识别能力越来越弱。 为提高中红外无创血糖测量分析结果的可靠性， 避免获得伪优定标模型提供了实验依据。

为选择生化样品近红外光谱分析中最优的建模光谱宽度，结合样品特征波长与光谱学原理开展研究.收集348份血清样品，以血清中胆固醇、甘油三酯为例进行分析.根据光谱学原理及2 mm厚度血清的光谱吸光度，选择一级倍频区域作为分析波段，考察该区域内不同宽度光谱范围的模型效果.优选出胆固醇与甘油三酯的最优光谱宽度分别为70 nm和100 nm，并建立相应分析模型，分析的预测标准差和相对预测误差分别是0.17 mmol/L，3.0%和0.14 mmol/L，10.3%，效果不弱于他人建立模型的最好结果，使用的光谱范围更窄.