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。

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。

以玉米种子的4 000～12 000 cm-1波段的漫反射近红外光谱为研究对象, 提出了一种鉴别玉米品种的新方法. 采用主成分分析法(PCA)来研究数据特征, 发现近红外光谱在特征空间中具有显著的长条状分布特征, 为此我们研究了改变样本点在PCA空间中的分布对品种鉴别的影响, 并提出了归一化主成分分析(NPCA)的特征提取算法, 同时还根据近红外光谱的数据分布特点提出了一种主方向仿生模式识别的分类算法, 进一步提高了鉴别正确率. 鉴别模型对第一测试集的平均正确识别率达到了97.67%, 平均正确拒识率达到了98.40%, 30个品种中的13个达到了100%的正确识别率; 对第二测试集的平均正确拒识率达到了98.90%, 有11个品种达到了100%的正确拒识率, 具有较高的鉴别准确度.

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。