土壤钾含量对作物的品质和产量有重要影响，因此，用近红外（NIR）光谱技术结合特征波段筛选方法对土壤钾含量进行快速定量检测。首先，结合模拟退火算法和区间偏最小二乘法（SA-iPLS）建立土壤钾含量的特征波段优化NIR模型。然后，通过调试子区间数量得到SA-iPLS的最优特征波段。最后，根据模型的评价指标将SA-iPLS模型与偏最小二乘法（PLS）、区间PLS（iPLS）、协同iPLS（SiPLS）模型进行对比。结果表明，当子区间数为90时，SA-iPLS模型在训练集上的表现最优，对测试集的预测均方根误差和相关系数分别为0.0117和0.8884。全谱PLS模型对测试集样品的预测均方根误差和相关系数分别为0.0140和0.8506，iPLS、SiPLS模型的最优子区间数分别为80、70，对测试集样品的预测均方根误差分别为0.0155、0.0145，相关系数分别为0.7786、0.8420。相比常规的iPLS、SiPLS模型，SA-iPLS模型能保留更多有用的光谱信息，提高对土壤钾含量的预测精度。

果酒发酵中的多酚是引起果酒口感、 颜色变化的重要因素。 为保证果酒品质, 有必要开发一种快速监测发酵过程中多酚含量变化的技术。 收集不同批次成熟期的蓝莓、 桑葚为原料, 分别碾压成汁, 同时按比例混合二者, 于小型发酵罐进行发酵。 通过离线收集不同发酵时段的发酵液于离心管, 高速离心后取上清液置于棕色瓶保存, 共计得到48个果酒发酵样本。 将上清液置于三个平行样比色皿, 以傅里叶快速变换近红外光谱仪（FT-NIR）采集其透射光谱, 取平均值作为该样本的光谱信号。 然后将棕色瓶内的发酵液以国标法（即以标准液的吸光度值制定标准曲线）测定各样品的总酚含量, 以duplex法计算样本光谱之间的距离且按2∶1的比例划分为训练集和预测集。 采用间隔偏最小二乘法（iPLS）将训练集样本的透射光谱与总酚含量之间构建定量模型, 间隔数从2依次变化到60个。 该研究创新之处是使用共识方法融合多个已构建好的iPLS成员模型, 按一定的共识规则分配权系数。 通过各成员模型交互验证的残差及其残差之间的相关性来优化各成员模型的线性组合, 以拉格朗日乘数法求解各成员模型的权系数, 使间隔偏最小二乘-共识模型（consensual iPLS, C_iPLS）的交互验证均方根误差最小。 相比于全局PLS模型、 划分不同间隔数量时的iPLS模型, C_iPLS均具有较小的预测误差。 当划分39个间隔时由三个iPLS成员模型（即14th, 16th, 18th）组成的共识模型误差最小为124.2, 交互验证相关系数为0.944, 对预测集样本的预测均方根误差为163.4, 预测相关系数为0.931, 预测性能均优于PLS和iPLS模型。 另外, 作为对比选用连续投影算法与无信息变量剔除法来优化光谱模型, 其预测性能均不及本文提出的共识模型。 分析各iPLS模型预测残差之间的相关性, 发现共识模型主要是融合那些具有较高预测性能且模型间较低相关性的成员模型。 结果表明, 光谱分析结合共识方法可提高回归模型的预测精度、 减少建模所需变量数, 能够用于果酒总酚含量的离线快速检测。

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、 粗皮、 脱萼、 宿萼、 突顶果）的硬度进行测定。 由于近红外光谱数据量大且原始光谱噪声明显、 测定水果时散射严重等导致光谱建模时关键波长变量提取困难。 以新疆库尔勒香梨为研究对象, 为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响, 首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。 为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法, 进行香梨近红外光谱的特征波长变量选择方法的比较与研究。 研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。 同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量, 将校正均方根误差（RESMC）、 预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准, 并最终确定最优波段选择方法及最佳预测模型。 基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中66%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果, 其中R2, RMSEC和RMSEP分别为091, 103和101。 进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现, BiPLS-GA不仅可以去除原始光谱数据中的无信息变量, 同时也能够对共线性的变量进行压缩去除, 使得建模变量从301个减少到20个。 极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。 因此该方法能够有效地用于近红外光谱数据变量的选择。 证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量, 去除与库尔勒香梨硬度无关的近红外光谱信息, 显著地提高库尔勒香梨硬度定量模型的预测精度。 这不仅为新疆地区特色梨果库尔勒香梨的快速、 精确、 无损优选分级提供一定的技术支持, 同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。

小麦是制作馒头的主要原料之一, 小麦中水、 蛋白质、 淀粉会因产地以及烘干程度的差异而不同, 进而影响到加工成馒头的品质。 所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。 感官评定是鉴别小麦产地和烘干程度常用的方法, 对比感官评定, 光谱分析可以识别样品中的分子结构等信息。 基于此, 尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。 首先选取了两个不同产地的小麦, 再利用微波干燥法对两个不同产地的小麦做烘干预处理, 使烘干的小麦水含量为12%±0.5%, 原麦水含量为18%±0.5%。 分别标记为原麦A, 烘干A, 原麦B, 烘干B, 再将小麦研磨成粉末, 过100目筛网筛选后, 置于自封袋中备用。 随后分别采集四种小麦样品的近红外和中红外光谱信息, 在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理, 利用主成分分析对预处理后的数据进行降维处理, 再结合线性判别分析（linear discriminant analysis, LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、 中红外光谱数据识别模型。 另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间, 将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。 然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、 比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、 比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。 结果表明, 同种光谱分析方法, 利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。 同种建模方法, 近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。 而在同种建模方法下, 利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高, 光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%, 预测集识别率为97.50%; 而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。 对比利用单一光谱数据建立的小麦识别模型识别率, 光谱数据融合之后建立的小麦识别模型识别率得到显著提高, 该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率, 结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。

As important components of air pollutant, volatile organic compounds (VOCs) can cause great harm to environment and human body. The concentration change of VOCs should be focused on in real-time environment monitoring system. In order to solve the problem of wavelength redundancy in full spectrum partial least squares (PLS) modeling for VOCs concentration analysis, a new method based on improved interval PLS (iPLS) integrated with Monte-Carlo sampling, called iPLS-MC method, was proposed to select optimal characteristic wavelengths of VOCs spectra. This method uses iPLS modeling to preselect the characteristic wavebands of the spectra and generates random wavelength combinations from the selected wavebands by Monte-Carlo sampling. The wavelength combination with the best prediction result in regression model is selected as the characteristic wavelengths of the spectrum. Different wavelength selection methods were built, respectively, on Fourier transform infrared (FTIR) spectra of ethylene and ethanol gas at different concentrations obtained in the laboratory. When the interval number of iPLS model is set to 30 and the Monte-Carlo sampling runs 1000 times, the characteristic wavelengths selected by iPLS-MC method can reduce from 8916 to 10, which occupies only 0.22% of the full spectrum wavelengths. While the RMSECV and correlation coefficient (Rc) for ethylene are 0.2977 and 0.9999ppm, and those for ethanol gas are 0.2977 ppm and 0.9999. The experimental results show that the iPLS-MC method can select the optimal characteristic wavelengths of VOCs FTIR spectra stably and effectively, and the prediction performance of the regression model can be significantly improved and simplified by using characteristic wavelengths.

碘值是评价脂肪酸品质的重要指标, 为探究拉曼光谱技术结合化学计量学方法对完整脂肪样本中脂肪酸不饱和程度测定的可行性, 以猪肉皮下脂肪为研究对象, 利用实验室自主搭建的拉曼光谱检测系统, 获取其300~2000 cm-1波段的光谱, 进而利用该光谱进行预处理方法的优化研究和碘值相关变量的优选研究, 并以传统韦氏滴定法测定得到的碘值为参考值, 采用偏最小二乘法建立了完整脂肪样本中碘值的校正模型。结果表明: 8次多项式拟合基线校正为最优预处理方法; 经区间偏最小二乘法筛选得到的优选变量为1106~1470 cm-1; 结合最优预处理方法和优选变量建立碘值预测模型, 其预测集相关系数Rp和预测均方根误差（RMSEP）分别为0.9463和2.5391×10-2。研究结果证明, 优选的拉曼光谱变量可用于完整脂肪中碘值的快速无损测定, 为基于拉曼光谱的猪胴体脂肪酸不饱和程度的在线、快速、无损检测提供了理论依据。

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。 为了快速准确检测羊肉的pH值, 开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。 本研究采用二阶导数(2D)、 多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理, 利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取, 并分别建立相对应特征波段范围羊肉pH的PLS预测模型, 同时与全波段的PLS模型效果相比较。 结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优, 其选取的特征波长点数为56, 校正集相关系数(Rcal)和均方根误差(RMSEC)分别为0.96和0.043, 预测集相关系数(RP)和均方根误差(RMSEP)分别为0.96和0.048。 siPLS-GA方法既能够减少建模使用的光谱变量, 又可以提高模型精度, 因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。

利用太赫兹光谱技术进行了土壤中重金属铅含量检测研究, 太赫兹光谱是一种拥有多种独特性质的新型安全检测技术, 前期实验结果证明该研究具有一定可行性。制备了不同浓度的含铅污染土壤样品, 研究并确定了压片法制备参数, 然后在首都师范大学太赫兹实验室开展了样品测量实验, 获取了有效数据。分别采用偏最小二乘和区间偏最小二乘法对太赫兹全谱数据进行了建模和预测, 结果表明经优化的预测结果相关系数达到0.81, 证实了该方法可行。借助于该检测手段, 可以得到农田的重金属铅污染分布图, 然后根据污染图进行污染治理和农田土壤有效管理, 从而提高农田的生产能力。为精准农业中农田重金属污染快速检测、实现农业可持续发展提供参考。

目前临床上血氧饱和度的无创检测主要基于双波长的脉搏血氧饱和度测量原理, 但其检测精度仍然需要进一步的探究和完善。 近年来, 国内外的很多研究者采用三波长甚至八波长的方法测量血氧饱和度, 从某种程度上减小了误差。 动态光谱法作为一种新型血液成分无创检测方法, 能消除受试者个体差异和测量环境等的影响, 在血红蛋白浓度的无创检测研究中取得了很好的效果。 基于动态光谱法对多波长下脉搏血氧饱和度检测进行了研究: 对60名重症监护患者进行动态光谱采集以及动脉抽血分析血氧饱和度值; 采用高灵敏度光纤光谱仪, 采集受试者指端透射多波长下的光谱信息; 以单拍提取法提取波长范围为606.44~987.55 nm的动态光谱; 以动脉血气分析中血氧饱和度值为参考真值, 建立血氧饱和度与多波长动态光谱数据的组合间隔偏最小二乘校正模型; 得到预测集的相对误差为±0.017 6, 而两波长测量装置监护仪上得到的数据相对误差为±0.116 4。 结果表明: 利用高灵敏度光纤光谱仪采集多波长光谱信息, 用动态光谱法进行数据预处理, 进行多波长血氧饱和度检测, 有效降低了血氧饱和度的测量误差。

采用间隔偏最小二乘法(IPLS)和移动窗口偏最小二乘方法(MWPLS),在640～1 100 nm范围内建立血糖短波近红外的优化模型。使用马氏距离对人血清样品中的奇异样品进行筛选,将检测光谱分别等分为2～15份进行IPLS分析,对比建立预测模型。设窗宽为151 nm,成分数范围(1～20),全谱进行MWPLS,对预测模型进行优化。结果显示,依据马氏距离采用最小半球体积法能有效筛选所采集光谱中的奇异光谱,IPLS可以有效地找到葡萄糖分子官能团对应的近红外特征谱段,MWPLS能够找到适合建模的精确起止波长点,通过偏最小二乘法建立血糖浓度的预测模型,相关系数R=0.982 2,预测均方差RMSEP=0.163 5 mmol/L,偏差Bias=-0.087 3 mmol/L。