小麦粉的粉质特性决定了小麦粉的品质以及最终用途, 粉质特性受到小麦的品种, 产地, 以及加工工艺等多个因素的影响, 重要的粉质参数包括4个: 吸水率、 形成时间、 稳定时间、 弱化度。 近红外光谱广泛应用于小麦粉成分参数的检测, 如水分、 蛋白质、 灰分和湿面筋含量, 其中大多直接应用线性回归算法建立模型, 预测的精确度较低, 且检测粉质特性的研究较少, 研究结果也受到样本丰富度不足的影响。 该研究收集了968份来自不同国家和地区的小麦粉粉质特性数据及近红外光谱, 通过分类模型和回归模型的结合来提高粉质特性预测的精确度。 采用包括标准正态变换（SNV）、 线性去趋势（Detrend)、 多元散射矫正（MSC）和Savitzky-Golay一阶求导的方法对光谱数据进行预处理, 并通过交叉验证选择最佳预处理方法。 在建模方法上, 首先尝试了经典的线性回归方法, 即偏最小二乘回归（PLSR) 和主成分回归（PCR)。 发现两种方法的精确度大致相当, PCA模型的校正均方根误差（RMSEC）分别为2.186、 1.838、 4.037、 21.693, PLSR模型为2.039、 1.837、 3.968、 21.252, PLSR模型比PCR所需的因子更少。 其次, 使用该文提出的二阶段回归模型, 即先用高斯过程回归（GPR)的结果作为分类器对样本进行分类, 在不同类别的样本簇中分别建立PLSR模型进行粉质特性的预测, 再使用Sigmoid函数对PLSR模型进行融合。 这种建模方法对粉质特性预测的精确度有较大提高, 在不同粉质特性指标上的RMSEC分别为1.876、 1.160、 2.459、 14.449。

Chronic kidney disease (CKD) is becoming a major public health problem worldwide, and excessive potassium intake is a health threat to patients with CKD. In this study, visible–shortwave near-infrared (Vis–SWNIR) spectroscopy and chemometric algorithms were investigated as nondestructive methods for assessing the potassium concentration in fresh lettuce to benefit the CKD patients' health. Interactance and transmittance measurements were performed and the competencies were compared based on the multivariate methods of partial least-square regression (PLS) and support vector machine regression (SVR). Meanwhile, several preprocessing methods [first- and second-order derivatives in combination with standard normal variate (SNV)] and wavelength selection method of competitive adaptive reweighted sampling (CARS) were applied to eliminate noise and highlight the spectral characteristics. The PLS models yielded better prediction than the SVR models with higher correlation coefficients (R²) and residual predictive deviation (RPD), and lower root-mean-square error of prediction (RMSEP). Excellent prediction of green leaves was obtained by the interactance measurement with R² = 0.93, RMSEP = 24.86 mg/100 g, and RPD = 3.69; while the transmittance spectra of petioles provided optimal prediction with R² = 0.92, RMSEP = 27.80 mg/100 g, and RPD=3.34, respectively. Therefore, the results indicated that Vis–SWNIR spectroscopy is capable of intelligently detecting potassium concentration in fresh lettuce to benefit CKD patients around the world in maintaining and enhancing their health.

为了实现煤中碳、氢、硫3种非金属元素的快速同步定量检测, 采用激光诱导击穿光谱技术, 以波长1064nm的Nd∶YAG固体激光器作为激发源, 在空气环境下烧蚀9种煤国家标准样品, 选取188.885nm～308.008nm和655nm～660nm波长范围光谱, 结合偏最小二乘回归, 同步检测煤中C,H,S 3种非金属元素, 取得了偏最小二乘回归的校正模型和预测模型数据,并进行了理论分析和实验验证。结果表明,C,H,S元素的预测质量分数与真实质量分数的决定系数为0.9421,0.9894,0.9840, 预测均方根误差分别为2.2772,0.2356,0.1678, 平均相对误差分别为2.6348%,7.1185%,8.8600%。该研究证明了激光诱导击穿光谱技术结合偏最小二乘回归定量可用于煤中非金属元素的多元素检测。

传统食品掺假分析多集中于检测特定已知或者怀疑可能存在的掺假物, 然而由于掺假形式的多样性以及新的掺假物不断出现, 使得传统检测方法具有局限性。 目前, 全蛋粉作为鲜蛋理想替代品掺假现象十分严重, 然而不管是国内还是国外, 其掺假检测都鲜有研究。 因此, 为了探索一种快速检测全蛋粉掺假的方法, 研究尝试使用最近快速发展起来的具有绿色、 无损等优点的高光谱技术来检测全蛋粉掺假的可行性。 从不同地区收集不同品牌的鸡蛋全蛋粉, 按不同比例分别掺入淀粉、 大豆分离蛋白、 麦芽糊精以及三种掺假物的混合物进行试验样品的制备。 样品进行光谱采集后, 采用ENVI软件选取感兴趣区域(ROI)后提取出平均光谱。 根据获得的光谱数据建立全波段下支持向量机(SVM)模型进行掺假的判别并采用偏最小二乘回归(PLSR)模型建立全波段与掺假浓度之间的关系。 结果显示, 采用径向基核函数所建立的SVM模型, 其分类的正确率达到90%以上, 基于PLSR建立掺假模型实际值与预测值相关系数R2P均高于0.90。 为了简化模型, 采用回归系数法(RC)及连续投影法(SPA)提取特征波长, 根据特征波长下的光谱数据建立RC-PLSR和SPA-PLSR模型, 结果显示, 经简化的模型依然具有良好的性能, 说明使用高光谱技术来检测全蛋粉掺假是可行且高效的。

已有土壤有机质的光谱预测模型其适用性受建模样本的采样尺度、 土壤类型及光谱参数限制, 需要在大尺度及范围上进一步检验适用性, 并比较分析不同建模方法的建模效果以寻求适用性更好、 精度更高的定量模型。 在黑河上游大尺度范围采得225个土壤样品, 进行了土壤有机质（SOC）及光谱反射率测定后将样本划分为建模集（180个土样）与验证集（45个土样）。 将土壤光谱反射率(R)变换处理后得到连续统去除(CR)、 倒数(REC)、 倒数之对数(LR)、 一阶微分(FDR)及Kubelka-Munck变换系数共6种指标, 针对建模集分别采用逐步线性回归与偏最小二乘回归方法建立12种光谱指标与SOC的数学模型, 并采用验证集进行模型预测效果评价。 结果表明: (1）采用逐步线性回归或偏最小二乘回归方法建模, LR指标对SOC变化的解释效果都是最好, 是SOC的最优预测因子。 (2）基于LR指标建立的SOC模型中, 采用偏最小二乘回归模型比逐步线性回归模型的预测精度更好, 相较于黑河上游已有的经验模型, 偏最小二乘回归法建立的模型的预测效果也更好。 (3）采用本实验的225个土壤样品对比验证了黑河上游仅有的SOC模型。 该模型的SOC预测值与实测值通过了均值T检验且Pearson相关系数达0.826, 表明在局部典型区域建立的SOC预测模型, 可以应用到更大尺度上的土壤有机质预测研究。

近红外光谱定量分析中, 采用合适的校正集选择方法是建立预测性能良好的近红外定量模型的关键技术之一。 校正集选择方法有RS法、 CS法、 KS法和SPXY法等, 但是对以上校正集选择方法缺乏系统地比较。 本文以积雪草总苷中积雪草苷NIR定量模型为载体, 对NIR定量模型的7个评价指标进行分类和筛选, 比较了CS法、 KS法和SPXY法三种校正集选择方法对NIR定量模型的准确性和稳健性两类评价指标的影响。 结果表明, SPXY法与CS法、 KS法选择校正集样本后所建近红外模型的RPD和RSEP两个准确性评价指标存在显著性差异, 模型的稳健性评价指标RMSECV和|RMSEP-RMSEC|不存在显著性差异。 因此, 建立积雪草总苷近红外光谱的积雪草苷偏最小二乘定量模型时, SPXY校正集选择方法能显著提高该定量模型的预测准确度, 但对模型稳健性的评价指标没有显著影响, 以上结论为中药固体体系建立近红外定量模型确定校正集选择方法提供参考。

利用近红外光谱对非均匀样品进行分析时, 所得样品光谱中包含由光散射导致的干扰信息, 通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。 由于不同波段光谱中所包含的散射信息、 噪声水平、 基线漂移程度等存在差异, 利用MSC方法对光谱进行预处理时, 基于不同波段的光谱数据会得到不同的校正结果, 进而影响所得定标模型的可靠性。 以60个全麦粉样品为研究对象, 确定定标区间后, 对包含定标区间的不同波段的原始光谱分别进行MSC处理, 并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型, 研究了MSC光谱预处理波段对定标模型的影响, 并对MSC光谱预处理波段进行了优化, 使定标模型的相关系数由0.96提高到0.98, 交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。 结果表明: 利用MSC方法对样品光谱预处理时, 光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力, 确定合适的预处理波段是获得可靠分析结果的一个前提条件。

针对田间状态下通过行走式设备获取的近红外反射光谱数据, 存在干扰因素多, 数据获取环境复杂多变, 比实验室条件下建立土壤碳预测模型更加困难的情况, 研究了通过变量选择来提高模型质量的效果及有效性。 从独立检验数据集来分析, 与采用所有变量所建模型的预测精度相比, 进行变量选择后的预测精度, 均有不同程度的提高, 说明在建立土壤碳预测模型时, 进行光谱变量选择, 是有益和必要的。 基于无信息变量消除法（UVE）和无信息变量消除-连续投影法（UVE-SPA）进行变量选择所建模型的预测精度较高, 而SPA和遗传算法-偏最小二乘法（GA-PLS）的效果较差; 对于协同区间最小二乘法而言, 分割的区间数、 参与建模子区间数的变化, 会对所建模型的预测精度产生影响, 选择合适的区间分割数和子区间组合, 可以获得与UVE和UVE-SPA相当的效果, 但其不足是需要大量的运算来进行最优子区间组合的选择。