薏仁是一种药食两用资源, 对其品质快速鉴别的需求也越来越多, 近红外光谱技术（near infrared spectroscopy, NIRS）作为一种快速、 无损且环保的方法正适合这一需求。 以不同产地和品种薏仁的近红外光谱为基础, 结合化学计量学方法对薏仁种类进行鉴别。 对原光谱用无监督学习算法主成分分析（principal component analysis, PCA）和有监督学习算法学习向量量化（learning vector quantization, LVQ）神经网络、 支持向量机（support vector machine, SVM）进行定性判别分析。 由于不同地区和不同品种的薏仁营养物质组成复杂且含量相近, 所选两类薏仁的特征变量很相似, 因而PCA得分图重叠严重, 很难区分; 而LVQ神经网络和SVM都能得到满意结果, LVQ神经网络的预测正确率为90.91%, SVM在经过惩罚参数和核函数参数优选后, 分类准确率能达到100%。 结果表明: 近红外光谱技术结合化学计量学方法可作为一种快速、 无损、 可靠的方法用于薏仁种类的鉴别, 并为市场规范提供技术参考。

探讨了基于可见和近红外反射光谱分析技术检测鱼粉中是否掺有植物饼粕的可行性。收集了我国常用的鱼粉和豆粕,将豆粕按不同浓度掺杂到鱼粉中制备试验样本,分别进行了定性和定量分析研究。定性分析用206个样本作为校正集,103个样本作为检验集,选择合适的光谱预处理方法和光谱范围建立了定性判别分析模型,模型对外部检验集的正确判断率为96.12％。定量分析用掺杂有豆粕的130个鱼粉样本作为校正集,65个鱼粉样本作为检验集,采用偏最小二乘法(PLS)建立了定量分析模型。以变量标准化处理(SNV)与二阶导数(2,4,4,1)相结合处理效果最佳,其预测值和测量值的决定系数R2和标准差SEC分别为0.989 0和1.539 0;检验集进行外部验证的决定系数R2和标准差SEP分别为0.988 8和1.786 0,RPD为8.61。结果表明,利用近红外光谱分析技术可以成功检测鱼粉中豆粕的存在和含量。