总氮是衡量土壤肥力的重要成分指标。 传统的检测土壤总氮含量的化学方法操作复杂且费时费力, 采用傅里叶近红外（FT-NIR）对土壤总氮的含量实现直接快速定量分析； 然而, 利用偏最小二乘（PLS）等线性分析方法定量预测土壤样本的总氮含量, 定标预测模型有可能被理想化, 不利于在线检测的实际应用。 考虑给定量分析模型添加容错机制, 将FT-NIR定量分析转化为半定性判别分析, 以加强光谱模型的应用能力, 提出区间间隔搜索主成分分析逻辑回归（iPCA-LR）方法, 结合PLS的先验定量预测值, 通过设定r=0.05, 0.10, 0.15三个不同的容错阈值范围, 给样本赋予先验判别标记, 将定量分析模式转换为半定性判别模式, 建立土壤总氮的FT-NIR半定性判别模型, 同时, 对比讨论基于k＝5, 10, 15, 20四种不同子波段数量的区间划分数据的潜变量转换模式, 优选FT-NIR光谱特征子波段, 并讨论优选连续子波段的组合建模情况。 结果表明, 不同阈值范围下的FT-NIR半定性判别模型的预测准确率差别较大, 但不同阈值范围的最优判别模型的预测准确率均在75%以上, 各个区间划分的优选子波段或合并子波段的判别准确率均达到了90%以上, 可以满足不同程度的应用水平。 利用PLS结合iPCA-LR将定量预测转换为半定性判别的方法能够应用于土壤总氮的FT-NIR光谱分析, 能够解决常规PLS定量分析容易过拟合和过于理想化的问题, 半定性判别结果更符合实际, 有利于光谱技术的在线应用。

食品掺假种类众多, 手段隐蔽, 成为食品安全检测一个重要难题。 为摆脱传统模型识别食品中是否存在新掺假类别的局限性, 实验以纯净的灵芝孢子油和掺杂不同比例花生油、 玉米油、 薏仁油、 地沟油的五种类别为研究对象, 采用傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)收集12　400～4　000 cm-1范围内的近红外光谱。 假设掺杂地沟油为新掺假类别, 利用前四种类别的校正集样本构建相关向量机(RVM)多分类器, 分别对建模的预测集样本和掺杂地沟油样本进行判别, 并借助新聚类算法对判别为纯净的灵芝孢子油的样本做进一步分析验证。 研究表明, RVM分类器对于建模的预测集样本判别准确率高达93.75%, 说明模型有较强的判别能力, 但由于模型局限性, 掺杂地沟油样品被误判为纯净的灵芝孢子油; 在新聚类算法的决策图上, 纯净灵芝孢子油校正集和预测集混合样本的聚类中心数为1, 而纯净灵芝孢子油校正集和掺杂了地沟油混合样本聚类中心数为2, 直观验证判别结果的准确性。 结果表明利用FT-NIR技术结合RVM分类器与新聚类算法对于灵芝孢子油掺假能够有效识别, 并且能够定性识别新型掺假类型, 为解决食品掺假多样化问题提供一种新思路。

利用波长范围在833～2 500 nm的傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)对不同霉变程度的玉米颗粒进行检测区分。 首先, 为避免光谱数据首尾噪声影响, 对比四种常见的预处理方法, 最终选择移动平均平滑法对原始光谱数据进行预处理; 然后为选出合适的样本集划分方法以提高模型预测性能, 对常见的四种方法进行对比, 最终利用SPXY(sample set partitioning based on joint x-y distance)法进行样本集划分; 进一步为减少数据量, 降低维度, 使用连续投影算法(successive projections algorithm, SPA)提取出7个特征波长, 分别为833, 927, 1 208, 1 337, 1 454, 1 861和2 280 nm; 最后, 将七个特征波长数据作为输入, 选取径向基函数(radial basis function, RBF)作为支持向量机(support vector machine, SVM)核函数, 取参数C=7 760 469, γ=0.017 003建立判别模型。 SVM模型对训练集和测试集的预测准确率分别达到97.78%和93.33%。 另取不同品种的玉米颗粒, 以同样的标准挑选样品组成独立验证集, 所建立的判别模型对独立验证集的预测准确率达到91.11%。 结果表明基于SPA和SVM能有效地对玉米颗粒霉变程度进行判别, 所选取的7个特征波长为实现在线霉变玉米颗粒近红外检测提供了理论依据。

傅里叶变换近红外光谱（Fourier transform near infrared spectroscopy, FT-NIR)可以反映微生物细胞的分子振动信息, 特异性鉴别不同类别的微生物。 为了建立准确、 有效的脂环酸芽孢杆菌种间分类鉴定的方法, 文章基于FT-NIR技术进行了如下探究: （1）收集了7株不同种的标准菌近红外漫反射光谱数据并进行预处理, 运用化学计量学中的主成分分析（principal component analysis, PCA）和线性判别分析（linear discriminant analysis, LDA）对其种间水平区分与判别的可行性进行探索。 结果表明: PCA模型能对7株标准菌进行正确区分, LDA模型Ⅰ判别准确率为100%, 初步证明该方法可以对脂环酸芽孢杆菌种间水平进行分类鉴定。 （2）为了提高模型的稳健性和实用性, 在上述标准菌建模的样品中加入分离菌, 用41株菌的光谱信息依照上述方法进行数据分析后建立LDA种间判别模型Ⅱ。 结果表明: 选取其中15个样本进行评估, 模型Ⅱ准确率为86.67%, 菌种信息更全面、 可信性更高。 因此, FT-NIR技术结合化学计量学方法可以准确、 有效地进行脂环酸芽孢杆菌的种间分类鉴定。

The goal of this research was to study the relationship between the eating quality of cooked rice and near infrared spectra measured by a Fourier Transform near infrared (FT–NIR) Spectrometer. Samples of milled: parboiled rice, white rice, new Jasmine rice (harvested in 2012) and aged Jasmine rice (harvested in 2006 or during the period 2007–2011) were used in this study. The eating quality of the cooked rice, i.e., adhesiveness, hardness, dryness, whiteness and aroma, were evaluated by trained sensory panelists. FT–NIR spectroscopy models for predicting the eating quality of cooked rice were established using the partial least squares regression. Among the eating quality, the stickiness model indicated its highest prediction ability (i.e., R²_val = 0.71; RMSEP = 0.65; Bias = 0.00; RPD = 1.87) and SEP/SD of 2. In addition, it was clear that the water content did not affect the eating quality of cooked rice, rather the main chemical component implicated was starch.

选取粤西坡仔营钼矿的花岗质岩石, 研究其XRD, FT-NIR和Raman光谱特征。 与花岗斑岩及远带样品相比, 近带花岗岩样品XRD衍射信号弱, FT-NIR吸收信号强, 石英Raman光谱信号弱。 分析表明, 其石英(101)晶面的XRD衍射峰、 绢云母铝羟基(Al—OH)的FT-NIR特征峰(4 529 cm-1)及石英本征位移峰(464 cm-1)的半高宽均大于前二者。 与其他样品不同, 近带样品造岩矿物含量低, 低温蚀变矿物含量高; 且该带内矿物结晶度、 有序度及结晶温度均较低。 研究认为, 坡仔营钼矿发育着一个以花岗斑岩为中心的面型低温蚀变带, 而控制钼成矿的石英斑岩实为该蚀变带靠近官山嶂岩体的一部分。

本文用MPA傅立叶变换近红外光谱仪研究了单粒水稻种子的漫反射光谱特征, 发现颖壳对光谱扫描有影响, 为了尽量消除这种影响, 保证光谱的代表性, 应对其上下表面分别进行多次光谱采集, 取它们的平均光谱。本文利用种子品种特有的光谱特性, 结合不同光谱预处理方法建立了多个聚类分析模型, 比较它们对杂交F1代种子“03S/0412”和其父本种子“0412”的鉴别效果。结果显示: 选择4000～8900 cm-1光谱范围, 通过“无预处理”、“矢量归一化”、“二阶导数（25点平滑）”和“二阶导数（25点平滑）+矢量归一化”建立的模型校正集正确率分别为52.4%、65.2%、75.2%和100%, 可见, 相比无预处理, 经过各种预处理后正确率都有提高, 其中“二阶导数（25点平滑）+矢量归一化”建立的模型最好, 用该模型对预测集预测, 分类正确率也为100%, 具有很好的预测性能。这说明近红外光谱技术可用于单粒水稻种子品种真伪性鉴别。

研究应用傅里叶变换近红外光谱法快速测定烟草中绿原酸、 芸香苷、 莨菪亭及总多酚含量的可行性。 使用偏最小二乘法(PLS)为建模方法, 选择7 500～4 000 cm-1谱段, 采用二阶导数和Norris滤波法进行光谱预处理, 建立了烟草中绿原酸、 芸香苷、 莨菪亭及总多酚的近红外预测模型。 组分最佳PLS预测模型的相关系数r分别为0.976 6, 0.941 9, 0.957 1和0.966 6, SEP均小于1.2倍的SEC, 验证集样本的标准偏差（SD）/SEP均大于2。 交叉检验的均方差(RMSECV)分别为1.938 9, 1.046 2, 0.047 9和2.745 2。 实验验证了模型偏差的显著性, 将近红外光谱技术与常规标准检测方法相比较。 结果表明:两种方法测得值在显著水平0.05时, 不存在显著性差异, 近红外光谱技术可以准确地定量分析烟草中绿原酸、 芸香苷、 莨菪亭及总多酚。

微生物细胞的傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)反映了细胞成分的分子振动信息, 具有的高度特异性, 为寻求一种基于FT-NIR的微生物快速鉴定方法提供了可能。 文章通过采集1株酵母和5株细菌标准菌株的近红外漫反射光谱, 采用主成分分析法对光谱数据进行了分析, 构建了基于FT-NIR的微生物快速鉴定模型。 分析结果表明: ①光谱鉴别指数Dy1y2值范围为1.61±1.05～10.97±6.65, 重现性良好; ②建立的基于线性判别分析模型的鉴定准确率为100%, 基于人工神经网络模型的预测结果平均相对误差为5.75%, 预测准确率高。 研究结果证实该方法可以实现基于FT-NIR结合多元数学统计方法的微生物快速鉴定, 并具有广阔的产业应用前景。

建立了一种快速同时测定香精香料理化指标的方法.利用傅里叶变换近红外光谱(FT-NIR)技术，建立了香精香料的折光指数、pH、相对密度及挥发总量四种理化指标的预测模型，同时考察了光谱预处理方法对模型的影响，并对模型预测结果的准确性与重复性进行了评价.结果表明，所建模型适用于不同种类的香精与料液，可快速同时对样品的折光指数、pH、相对密度及挥发总量四种理化指标进行预测，预测均方差RMSEP分别为0.00182，0.374，0.00393与3.04.可见，近红外光谱技术能够对烟用香精香料进行快速、无损与同时分析，并满足实际测量要求.