利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。 采用定量损伤装置得到损伤Ⅰ, Ⅱ, Ⅲ, Ⅳ和Ⅴ级的灵武长枣, 借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。 提取感兴趣区域（region of interest, ROI）并计算样本平均光谱值。 利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。 灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型, 得到校正集和预测集准确率分别为72.70%和86.67%; 灵武长枣原始光谱数据采用移动平均（MA）、 卷积平滑（SG）、 多元散射校正（MSC）、 正交信号修正（OSC）、 基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。 通过分析比较, 得到MSC-PLS-DA为最优分类判别模型, 校正集准确率为76.19%, 预测集准确率为86.67%, 其中校正集比原始光谱建模准确率提高了3.49%, 预测集准确率较原始光谱建模结果未提高; 为了提高建模效果, 对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、 无信息变量消除（UVE）、 竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长, 建立PLS-DA分类判别模型, 结果表明, MSC-CARS-PLS-DA为最优模型组合, 校正集准确率为77.14%, 预测集准确率为89.52%, 建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。 结果表明, Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。

研究桉树控制授粉后目标性状的基因作用方式是探索其基因重组规律的重要内容。 常规的数量统计分析精度往往不高, 而DNA分析的专业要求高, 且费时费力。 该研究利用近红外光谱(NIRs)研究不同基因型桉树杂交种、 亲本及杂交种与亲本间近红外光谱信息的关系, 探索NIRs用于桉树杂交种与其亲本判别的可行性和准确性。 以控制授粉的桉树亲本及其杂交F1代材料为对象, 每种基因型从各自田间试验分别选取10个单株, 采集树冠中上部新鲜健康叶片。 用手持式近红外仪Phazir Rx(1624)采集桉树杂交种与其亲本叶片的NIRs信息。 每单株选10片完全生理成熟的健康叶片, 避开叶脉扫描其正面光谱5次, 以50条NIRs信息的均值代表单个叶片的NIRs信息, 最终每个基因型获得10条NIRs信息。 对原始NIRs采用二阶多项式S.G一阶导数预处理。 预处理后的NIRs用于多元统计分析, 首先对桉树杂交亲本和子代样本进行主成分分析(PCA), 直观展示不同基因型的分类情况。 然后运用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种有监督的判别模式验证NIRs用于桉树杂交种与其亲本树种的分类判别效果。 PCA结果显示, 不同的亲本间、 杂交种间及杂交种与亲本间样本的主因子得分可以清晰地将各基因型分开。 SIMCA模式判别分析中, 桉树杂交种样本到亲本PCA模型的样本距离显示, 待判别样本能够形成单独的聚类, 且能直观反映两者的遗传相似。 PLS-DA判别结果显示, 桉树杂交亲本的PLS模型能通过预测其杂交子代的响应变量将其与亲本准确分开。 结果表明, 桉树叶片的NIRs信息可以准确地反映桉树杂交子代遗传信息的传递规律, NIRs判别模型可以准确地将各种基因型予以区分。 因此, NIRs信息不仅可用于桉树杂交种和纯种的定性判别, 还可以分析桉树基因重组过程中加性遗传效应的大小, 从而为桉树遗传基础分析及其育种改良研究提供理论支撑。

桉树育种和遗传分析是开展桉树世代改良及其目标性状改良等研究的前提。 而常用的遗传基础研究方法专业性要求高, 且费时费力。 该研究旨在利用近红外光谱（NIRs）分析NIRs信息与桉树遗传信息间的关系, 并探索NIRs信息用于桉树杂交种判别分析的可行性和准确性。 以现有的桉树杂交种测试试验及其亲本材料为对象, 用手持式近红外仪Phazir Rx（1624）采集了7个桉树杂交种及其4个亲本树种叶片的NIRs信息。 每个树种选择10个单株, 每个单株选10片当年生健康叶片, 扫描其正面叶脉中部两侧光谱各5次, 以均值代表单个叶片的NIRs信息。 每种基因型总共各获得100条NIRs信息, 其中70条构成训练集样本, 30条构成验证集样本。 原始NIRs信息采用S.G二阶导数转换预处理, 以消除基线及其他因素对光谱信息的影响, 增强特征峰信息。 经预处理后的NIRs信息用于后续分析, 首先通过主成分分析（PCA）的因子得分对树种的分类判断NIRs信息与测试树种遗传信息间的关系。 在此基础上, 分别用簇类独立软模式（SIMCA）和偏最小二乘判别分析（PLS-DA）两种判别模式建立桉树杂交种的NIRs判别模型。 经预处理后的NIRs信息的变异系数曲线显示, 在波长2 000 nm后, 各树种的NIRs信息存在丰富的特征峰, 且特征峰的分布范围存在较大的差异。 PCA结果显示, 不同的亲本间、 杂交种间及杂交种与亲本间样本的PC1和PC2得分可以清晰地将各树种进行分类, 这在很大程度上表明NIRs信息可以正确反映桉树不同基因型的遗传信息。 NIRs模型的判别效果显示, 少数遗传关系比较接近的杂交组合的SIMCA模式相互判别准确率较低, 而多数杂交组合间的SIMCA判别准确率则在73%～100%之间; 桉树各杂交组合间的单独和综合模型的PLS-DA判别准确率均为100%, 且基于PLS-DA判别的综合模型能将7个杂交组合一一与其他组合正确区分开, 判别效果明显优于SIMCA模式。 结果表明: NIRs信息可以正确反映桉树不同基因型的遗传信息, NIRs判别模型可以比较准确地将各树种进行区分, 因此, NIRs信息可用于桉树杂交种和纯种的田间定性判别, 从而辅助桉树育种材料遗传基础的研究。

Two discriminant methods, partial least squares-discriminant analysis (PLS-DA) and Fisher's discriminant analysis (FDA), were combined with Fourier transform infrared imaging (FTIRI) to differentiate healthy and osteoarthritic articular cartilage in a canine model. Osteoarthritic cartilage had been developed for up to two years after the anterior cruciate ligament (ACL) transection in one knee. Cartilage specimens were sectioned into 10 μm thickness for FTIRI. A PLS-DA model was developed after spectral pre-processing. All IR spectra extracted from FTIR images were calculated by PLS-DA with the discriminant accuracy of 90%. Prior to FDA, principal component analysis (PCA) was performed to decompose the IR spectral matrix into informative principal component matrices. Based on the di?erent discriminant mechanism, the discriminant accuracy (96%) of PCA-FDA with high convenience was higher than that of PLSDA. No healthy cartilage sample was mis-assigned by these two methods. The above mentioned suggested that both integrated technologies of FTIRI-PLS-DA and, especially, FTIRI-PCA-FDA could become a promising tool for the discrimination of healthy and osteoarthritic cartilage specimen as well as the diagnosis of cartilage lesion at microscopic level. The results of the study would be helpful for better understanding the pathology of osteoarthritics.

国内三文鱼市场鱼龙混杂, 假冒问题严重, 但鉴别方法有限。 采用红外光谱技术结合偏最小二乘判别分析法(PLS-DA)研究了黑龙江大马哈鱼、 淡水虹鳟、 智利太平洋鲑三种鱼肉对挪威三文鱼的冒充问题。 采用FITR光谱仪和KBr压片法采集四种肉类的原始光谱, 并对原始光谱分别进行多元散射校正(MSC)、 Savitzky-Golay平滑、 一阶导数(first derivative)、 标准正则变换(SNV)、 峰面积归一化(peak area normalization)五种预处理来消除噪声等干扰因素并确定最佳预处理方法。 为建立PLS-DA鉴别模型, 将四种鱼肉的光谱分别赋予-3, -1, 1和3四个参考分值, 建模后通过预测检测集鱼肉得分来检验模型准确性。 结果表明: 采用峰面积归一化法时, PLS-DA检测模型的效果最好, 校正集和交叉验证集的决定系数分别为0.97和0.95。 RMSEC和RMSECV分别为0.37和0.52。 该模型能显著区分四种鱼肉、 检测集的预测分值分别聚集在各自的参考分值附近, 在阈值为±1的判别条件下预测准确度为96%。 同时采用马氏距离法进一步对四种鱼肉的光谱进行分析, 发现相互之间差异明显, 其中挪威三文鱼与其品种差别最大的淡水虹鳟距离最大, 与其比较接近的智利太平洋鲑的距离最小, 红外光谱信息能够反映不同鱼肉的品种、 生活环境等差异。 因此, 采用红外光谱技术结合PLS-DA法能够准确的鉴别出其他鱼肉对挪威三文鱼的冒充问题, 同时对其他肉类检测有一定借鉴意义。

为了实现对不同品种白菜种子的快速无损鉴别, 应用近红外光谱技术获取白菜种子的光谱反射率, 首先采用变量标准化校正和多元散射校正对原始光谱进行预处理; 其次, 采用主成分分析法（PCA）对光谱数据进行聚类分析, 从定性分析的角度得到三种不同白菜种子的特征差异, 并采用连续投影算法（SPA）选取特征波长; 最后, 分别基于全波段光谱、 PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长, 建立了最小二乘支持向量机（LS-SVM）和偏最小二乘判别（PLS-DA）模型进行白菜种子不同品种的鉴别。 从主成分PC1、 PC2得分图中可以看出, 主成分1和2对不同种类白菜种子具有很好的聚类作用。 基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型, 其中基于特征波长建立的LS-SVM模型识别效果最优, 建模集和预测集的品种识别率均达到100%。 结果表明, 通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息, 提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果, 为白菜种子品种的识别提供了一种新方法。

组建了一套基于液芯光纤的激光诱导荧光食用油鉴别装置。 研究了不同液芯光纤长度对食用油激光诱导荧光光谱的影响, 分析了不同种类食用油激光诱导荧光光谱之间的差异。 八种食用油共320份样本荧光数据在1 m长液芯光纤内采集, 采用主成分分析方法对食用油荧光数据进行降维处理, 利用偏最小二乘判别分析(PLS-DA)方法建立食用油种类的鉴别模型。 结果表明, 使用液芯光纤后, 食用油荧光强度得到较大的增强。 随着液芯光纤长度增加, 食用油荧光特征峰逐渐增加并且食用油的激光诱导荧光光谱会产生红移现象, 当液芯光纤长度超过80 cm后, 红移趋于饱和。 不同食用油的荧光光谱形状差异较大, 可用于区分不同种类食用油。 利用主成分1和主成分2绘制的主成分得分图显示, 不同种类食用油呈现很好的聚集。 当选用主成分数为10时, 建立的PLS-DA食用油种类鉴别模型对训练集和预测集样本识别率均达到100%。 说明本装置用于食用油种类的快速鉴别具有较高的准确性。

采用傅里叶变换红外光谱法（Fourier transform infrared spectroscopy, FTIR）、 偏最小二乘判别分析（partial least square discriminant analysis, PLS-DA）和系统聚类分析（hierarchical cluster analysis, HCA）快速鉴别不同产地川东獐牙菜（Swertia davidi Franch）。 采集4个不同地区70株样品不同部位的红外光谱数据, 原始光谱数据经预处理（自动基线校正, 自动平滑, 一阶求导, 二阶求导）后导入OMNIC 8.2, 比较吸收峰的差异; 用SIMCA-Pa+10.0进行偏最小二乘判别分析（PLS-DA）, 以前三个主成分三维得分图比较产地鉴别效果; 红外光谱数据导入SPSS 19.0, 进行系统聚类分析（HCA）, 通过树状图比较不同部位分类效果。 结果显示, （1）不同产地根的光谱图在1 739, 1 647, 1 614, 1 503, 1 271, 1 243, 1 072 cm-1附近的吸收峰有差异, 不同产地茎的光谱图在1 503, 1 270, 1 246 cm-1吸收峰附近有差异; （2）相同产地不同部位的光谱特征峰有差异; （3）PLS-DA分析结果显示自动基线校正+自动平滑+二阶求导这种预处理方式分类效果最好, 根的红外光谱数据产地鉴别效果最佳; （4）HCA的树状图, 显示根的聚类分析结果正确率83%, 茎的聚类分析结果正确率49%, 叶的聚类分析结果正确率70%。 FTIR技术结合PLS-DA与HCA方法能够快速准确地鉴别不同产地川东獐牙菜, 不同部位产地鉴别效果有差异, 根的光谱数据产地鉴别效果最佳, 二阶求导处理增强了样品的特异性, 使PLS-DA的三维主成分得分图分类效果更明显。