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.

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。

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。

遗传算法不受搜索空间限制性假设的约束, 利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。 文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化, 得到丰水、 圆黄、 黄金三种梨的R-SGA最佳因子数分别为10, 12和16, 并分别建立了单一品种GA-PLS模型； 丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型, 其模型的RMSEP分别为0.608/0.632和0.524/0.540； 圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。 经波段优化分析表明, 使用552个数据点建立多品种砂梨混合模型, 具有较高稳健性和预测性(RMSEC=0.627, RMSEP=0.641)。 结果表明： 基于遗传算法进行波段优化可以提高砂梨糖度模型精度, 提高建模效率, 同时说明建立多品种砂梨糖度通用模型是可行的。

基于遗传算法的波段选择法在组合优化问题上具有很大的搜索优势,适应性很广。文章将该方法应用于西洋梨糖度近红外光谱分析中,探讨数据优化筛选的可行性。光谱经多元散射校正或标准归一化处理后进行波段选择,选择结果与样品中被测成分有关,4个品种洋梨的最佳个体染色体编码有一定共性。分别建立了四种洋梨的GA-PLS模型和全谱模型,早红考密斯、五九香、凯斯凯德和康佛伦斯的GA-PLS建模数据点分别从1557减少到了434,496,310和496。GA-PLS/Fr-PLS模型的预测标准偏差分别为0.428/0.518,0.696/0.694,0.425/0.421和0.567/0.633,其中早红考密斯和康佛伦斯GA-PLS模型的预测精度明显优于全谱模型,而五九香和凯斯凯德的GA-PLS模型与全谱模型相近。结果表明,遗传算法用于PLS建立西洋梨糖度校正模型前的数据优化筛选是可行的,有效提高测量精度,减少建模变量。