围绕电子烟油中烟碱含量的近红外测量模型，采用63个不同烟碱含量和不同口味的电子烟油样品进行光谱数据的采集，利用蒙特卡罗交互验证法剔除异常样本后，采用区间偏最小二乘法（iPLS）、组合区间偏最小二乘法（SiPLS）选择最佳波长并建立校正模型。结果表明，iPLS算法识别出的近红外测量电子烟油中烟碱含量的特征波段分布在1090~1228 nm和1370~1508 nm这两个波段附近，SiPLS算法通过对不同波段进行组合，进一步确定了最佳波段为1126~1240 nm，1358~1414 nm， 1474~1530 nm这一波段组合，SiPLS-PLS模型与全谱-PLS模型相比，所采用的变量数降低了2/3，预测均方误差值从1.188降低到了0.963，模型预测的准确性得到了提高。

近红外光谱（NIRS）是一种间接分析技术, 其应用需建立相应的校正模型。 为了提高模型的解释能力、 预测准确度和建模效率, 需要对NIRS进行波长选择, 优选最小化冗余信息。 智能优化算法是以生物的行为方式或物质的运动形态为背景, 经过数学抽象建立算法模型, 通过迭代计算来求解组合最优化问题, 其核心策略是以某种目标函数为标准, 基于多元校正建模并以逐步逼近的方法筛选出有效的波长点。 选用蚁群优化（ACO）、 遗传优化（GA）、 粒子群优化（PSO）、 随机青蛙（RF）和模拟退火（SA）5种智能优化算法对烟叶总氮和烟碱近红外光谱数据进行特征波长选择, 结合偏最小二乘（PLS）算法, 构建了多个烟叶总氮和烟碱的校正模型, 结果显示: 所选用两个数据集的总氮最优模型分别为PSO-PLS和GA-PLS模型, 烟碱最优模型分别为GA-PLS和SA-PLS模型, 五种智能优化算法所建模型预测性能并非全部优于全谱PLS模型, 但是通过智能优化算法进行波长选择后建立的PLS模型大大简化, 模型的预测精度、 可解释性和稳定性均有所提高。 同时也对优选波长进行了解释和分析, 烟叶总氮特征波长优选组合为4 587~4 878和6 700~7 200 cm-1; 烟叶烟碱特征波长优选组合为4 500~4 700和5 800~6 000 cm-1, 优选出来的特征波长具有实际物理意义。

为实现烟叶原料焦油和烟碱的快速检测, 分别用烟丝(111个)和烟末(204个)样品建立了原烟卷烟主流烟气中焦油和烟碱的近红外模型, 研究表明两种样品状态均能建立其近红外速测模型, 且烟气烟碱的校正模型较好。用烟末建立的焦油和烟碱的校正模型略好于用烟丝建立的模型, 其内部交叉验证均方差(RMSECV)分别为 0.211和 1.90, 烟丝内部交叉验证均方差(RMSECV)分别为 0.257和 2.04。并对样品量较大的烟末模型进行了外部验证, 2个模型预测值与标准值的平均相对偏差分别为 5.13和 5.93, t-检验表明预测值和标准值之间没有显著性差异, 且系统精密度良好, 可以用于大量样品的快速检测。

为了提高近红外光谱快速检测烟草尼古丁含量的精度和稳定性，利用近红外光谱结合遗传算法最小二乘支持向量回归(GA-LSSVR)建立了回归预测模型。在LSSVR模型建立过程中，采用遗传算法对LSSVR参数进行自动优化。相比于利用常规最小二乘支持向量机和遗传偏最小二乘法等建立的回归预测模型，GA-LSSVR法建立的回归预测模型泛化能力更强,预测效果更好，验证集相关系数R2为0.9766，预测均方根误差为0.1065。研究结果表明，GA-LSSVR是一种快速准确的建模方法，为烟草尼古丁含量的近红外测定和近红外光谱数据的处理提供了新的方法与途径。