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。

建立了可用于甲基苯丙胺、 氯胺酮、 海洛因、 可卡因快速定性鉴定分析的衰减全反射-傅里叶变换红外光谱(ATR-FTIR)方法, 采用特征吸收峰作为定性判别依据。 长期以来, 由于缺乏合适的定性判别依据, 红外光谱法仅被用于毒品的快速定性筛查分析。 为扩大红外光谱法在禁毒领域的应用, 收集并分析了1 380份各类缴获毒品样品, 对特征吸收峰法和簇类独立软模式法(SIMCA)两种定性判别方法进行了考察和比较。 在标准品化合物红外光谱图的2 500~650 cm-1范围内挑选5~8个相对吸收强度较高且不受常见掺杂物干扰的吸收峰作为特征吸收峰。 采用特征吸收峰法(全部特征吸收峰均检出)作为定性分析依据时, 646份验证样品的阳性检出率为98.1%。 采用516份建模样品建立了不同盐型毒品的SIMCA定性判别模型, 并对646份验证样品进行了定性分类, 总识别率为95.4%, 拒绝率为100%。 结果表明, 特征吸收峰法和SIMCA法均具有专属性强、 定性结果准确可靠的特点; 但特征吸收峰法操作简单, 即使是没有红外光谱知识背景的一线民警在经过简单培训后也可掌握, 利于推广和普及; 而SIMCA模型的建立需要大量有代表性的建模样品和专业的数理统计软件, 推广和普及难度较大。 基于特征吸收峰的ATR-FTIR法将极大提高我国毒品样品定性检验的鉴定效率、 降低检验鉴定成本。

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。

木材的种类识别是木材加工和贸易的一个重要环节, 传统的木材种类识别方法主要有显微检测法和木材纹理识别法, 其操作繁琐, 耗时长, 成本高, 不能满足当前需求。 本研究利用木材的近红外光谱（NIRS）结合模式识别方法, 以期实现木材种类的快速准确识别。 采用近红外光谱结合主成分分析法（PCA）、 偏最小二乘判别分析法（PLSDA）和簇类独立软模式法（SIMCA）三种模式识别对58种木材进行种类鉴别研究; 5点平滑、 标准正态变量变换（SNV）、 多元散射校正（MSC）、 Savitzky-Golay一阶导数（SG 1st-Der）和小波导数（WD）五种光谱预处理方法用于木材光谱的预处理; 校正集和测试集样品的正确识别率（CRR）用于模型的评价。 采用PCA方法, 通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。 在建立PLSDA模型, 原始光谱的正确识别率最高, 分别为88.2%和88.2%; 5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%; SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%; MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%; SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD（小波基为“Haar”, 分解尺度为80）处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。 可知, 在PLSDA模型中, 木材光谱未经预处理种类识别效果最后好。 在建立SIMCA模型过程中, 原始光谱的校正集和测试集的CRR分别为99.7%和99.4%; 5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%; SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%; MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%; SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD处理的光谱校正集和测试集的CRR分别为100%和100%。 可知, 在SIMCA模型中, 木材光谱经平滑和小波导数处理后的识别效果最好, 且光谱的校正集和测试集CRR都为100%。 采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时, 由于木材样本属性复杂, 主成分分布图相互交织, PCA无法识别出58种木材; 原始光谱的PLSDA模型可以得到较好的判别模型, 但校正集和测试集的CRR只有88.2%和88.2%; 木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果, 校正集和测试集的CRR均为100%, 且WD-SIMCA模型因子数比5点平滑SIMCA模型小, 模型更为简化, 故WD-SIMCA为58种木材种类识别的最优模型。 研究表明光谱预处理方法可以有效的提高木材种类识别精度, 有监督模式识别方法SIMCA可以用来建立有效的木材识别模型, 近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。

煤矿突水水源类型的快速识别对于煤矿水害预警防治意义重大。 针对传统水化学方法水源识别耗时较长的问题, 提出一种基于激光诱导荧光光谱(LIF)技术与簇类的独立软模式(SIMCA)算法的煤矿突水水源快速识别方法。 激光诱导荧光光谱技术具有分析速度快、 灵敏度高等特点, 在激光器的辅助下, 荧光光谱仪实时采集荧光光谱, 根据水样的荧光光谱即可进行水源类型识别, 在数据库完备的情况下, 只需几秒即可进行煤矿水源判断, 对于煤矿的水害预警以及灾后救援来说意义重大。 实验利用405 nm激光器发射激光, 打入被测水体, 得到五种常见突水水样的共100组荧光光谱, 对各水样的荧光光谱进行光谱预处理。 每种水样使用15组共75组荧光光谱作为预测集, 剩余的25组水样的荧光光谱作为测试集。 利用主成分分析(PCA)分别对五种水样进行建模, 而后依据所建模型进行SIMCA分类。 实验发现不同水样的荧光光谱差异明显, 经过Gaussian-Filter预处理后的荧光光谱, 在主成分数为2, 显著性程度α＝5%的情况下, 利用SIMCA算法进行水样分类, 预测集和测试集的正确率皆为100%。

驴肉具有极高的食用价值, 资源的缺乏使其价格持续走高, 由此引发的欺骗和掺假亟待解决。 选取了不同部位(脖子、 肋板、 后墩和腱子)的驴肉样品(n=167)及牛肉(n=47)、 猪肉(n=51)和羊肉(n=32)样品在4 000～12 500 cm-1光谱范围上建立了驴肉的近红外光谱鉴别模型。 比较了马氏距离判别分析、 簇类独立软模式分类法、 最小二乘-支持向量机方法分别结合平滑(5点、 15点及25点)、 一阶和二阶微分、 多元散射校正和标准归一化的光谱预处理方法对肉块样品及大中小三个不同粉碎粒径(7, 5, 3 mm)肉糜样品的分类模型结果发现, 原始光谱前11个主成分得分作为输入的马氏距离判别及前6个主成分作为输入的最小二乘-支持向量机肉块样品分类模型较优, 校正集和预测集正确率分别为100%和98.96%; 原始光谱前5个主成分作为输入的LS-SVM大粒径肉糜样品分类模型结果较优, 校正集和预测集判别正确率为100%和97.53%; 原始光谱前8个主成分得分作为输入的簇类独立软模式分类法中粒径肉糜样品分类模型结果较优, 校正集和预测集的判别正确率均为100%; 而对于小粒径肉糜样品, 原始光谱前7主成分输入的马氏距离判别和前9主成分输入的簇类独立软模式分类法模型均得到了校正集和预测集100%的判别正确率。 以上模型中的驴肉样品均得到了100%的判别正确率。 研究结果表明, 使用近红外光谱分析技术结合化学计量学方法鉴别驴肉是可行的。

应用傅里叶变换红外光谱(FTIR)法测定了栽培和野生肉苁蓉， 以450～2 000 cm-1范围内的吸收峰吸光度为指标， 以红外光谱图为对象， 应用SMICA聚类分析(Cluster analysis)法对栽培和野生肉苁蓉进行了聚类分析。 结果表明， 红外光谱结合聚类分析技术可对不同来源的肉苁蓉进行鉴别， 识别率和拒绝率达到90%以上， 盲样检测的准确率也在95%以上。 因此， 红外光谱与聚类分析法相结合可以快速、 无损识别中药材。