为了充分利用高光谱图像的空间和光谱信息，同时缓解训练样本不足的问题，提出一种融合空谱特征的半监督高光谱异常检测模型。首先使用无监督聚类自动构建空谱背景数据集用于网络的训练。然后构建基于自动编码器和生成对抗网络的空谱双路模型分别用于背景光谱特征的学习和波段信息的重建，空间支路同时使用滤波器增大背景和异常间的差异，两路分别得到光谱异常分数和波段异常值。最后融合空谱特征得到异常检测图。在真实高光谱图像上验证该方法的有效性，实验结果表明，该方法优于传统的异常检测方法，平均检测精度达到99.55%。

回生是淀粉加工、 运输和储藏过程中的重要理化性质, 快速检测淀粉回生程度对淀粉制品的品质和保质期有重要意义。 为了探究二维相关光谱法(2D-COS)优选回生淀粉特征变量的可行性, 研究结合2D-COS和光谱融合技术对小麦淀粉的回生特性进行定量表征。 首先, 将不同回生时间的小麦淀粉测定结晶度和回生度, 从淀粉体系中晶体含量和对淀粉酶水解抗性的角度表征淀粉回生特性。 然后, 分别采集样品的近红外和中红外光谱数据, 对采集的原始光谱进行Savitzky-Golay平滑和标准正态变量变换预处理后, 结合偏最小二乘法分别基于近红外光谱、 中红外光谱和融合光谱构建全光谱的预测模型。 在此基础上, 以回生天数为外部扰动, 分别选取回生0, 1, 2, 3, 5, 7, 10, 14, 21和35 d的10条淀粉光谱进行2D-COS分析。 通过分析同步谱和自相关谱, 辨识了近红外13个和中红外11个与回生特性有关的特征波长。 最后, 基于这些特征波长进一步建立回生度和结晶度的预测模型。 结果表明, 全光谱模型结果中, 光谱融合后的模型预测效果较好, 结晶度模型的相对分析误差(RPD)值由1.203 4和2.069 0提高至3.980 9, 回生度模型的RPD值由2.594 0和2.109 9提高至4.576 3, 表明光谱融合能提高模型性能。 利用2D-COS筛选特征波长后建立的模型预测效果有大幅度提高, 结晶度模型的RPD值提高至8.095 9, 回生度模型的RPD值提高至14.183 6。 与利用竞争性自适应重加权算法筛选特征波长建立的模型结果相比, 2D-COS更能提高光谱分辨率, 获得更多的化学结构信息, 因此光谱融合技术结合2D-COS的模型结果更佳。 研究结果表明, 将2D-COS用于筛选与淀粉回生特性有关的特征波长是可行的, 为融合光谱的特征变量优选提供了新思路; 同时也表明光谱融合技术结合2D-COS可以实现淀粉回生程度的快速检测, 为淀粉食品的质量和保质期的快速检测提供了方法支持。

实现药物快速无损准确定性分析是药物防控视域下的关键问题。采集了4类共计159份大麻油样本的光谱和色谱数据，利用有监督模式识别方法Fisher判别分析和K邻近分析构建不同数据集分类模型，对比了单一模型与融合模型对分析结果的影响。结果表明，在4类大麻油识别与分类过程中，基于光谱与色谱融合数据集的分类模型的分类效果优于其他数据集，借助K邻近分析的融合模型分类效果最佳，总体分类准确率达到1。该研究实现了对不同类型大麻油快速准确的定性分析，为准确认定缴获药物的来源、审理事实关联的上下游药物犯罪案件提供线索和证据。

镇静类药物的无损快速检验分析在法庭科学理化检验中具有重要意义。为了实现对苯二氮卓类镇静药物种类的准确区分，本实验室对8类共计81份样本进行了检验；借助衰减全反射-表面增强红外光谱（ATR-SEIRAS）分析技术获取各样本的光谱数据，基于原始光谱数据集、一阶导数光谱数据集、光谱融合数据集分别构建Fisher判别分析（FDA）和多层感知器神经网络（MLPNN）分类模型。结果表明：不同样本的理化信息存在一定差异，ATR-SEIRAS谱图可以将这些差异反映出来，从而为实现不同苯二氮卓类镇静药物的有效分类奠定基础；基于光谱融合数据集构建的FDA模型的识别准确率最高，为100%，基于一阶导数光谱数据集和原始光谱数据集构建的FDA模型的识别准确率分别为96.3%和92.6%；基于上述三种数据集构建的MLPNN模型的识别准确率分别为97.5%、96.3%和88.9%。ATR-SEIRAS分析技术结合Fisher判别分析和多层感知器神经网络可以实现8类苯二氮卓类镇静药物的无损准确识别。

为了实现对油漆物证的快速、无损以及准确分类,实验收集了犯罪现场常见的5个油漆品牌共计50个油漆样本的红外原始光谱数据和导数光谱数据,结合光谱融合技术,建立了基于KNN、SVM以及逐步判别分析的油漆分类模型。实验结果表明:3种分类模型对于融合光谱的识别率要高于单一光谱;KNN以及SVM分类模型对于其中的3种油漆样本识别率高,但对其余2种样本的分类效果并不好,而逐步判别分析模型对5种油漆样本的各种光谱数据识别率均高于KNN和SVM模型,其中采用逐步判别分析中的Smallest F ratio 判别模型对一阶导数光谱和三阶导数光谱融合数据的训练集和测试集实现了完全识别。本文方法的检验效率高,定性能力强,满足公安机关对于相关物证的快速检验要求,为刑事技术人员快速识别油漆物证提供了一种有效的手段。

为了对水中的有机污染物进行绿色、 快速、 准确的检测, 提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。 实验样本为包含近岸海水和地表水在内的实际水样53份, 采用标准化学方法获取样本的化学需氧量的理化值, 利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。 在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm, 间隔2 nm)。 采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征, PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型, 分别建立了单激发波长下的荧光发射光谱数据预测模型、 多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型, 通过对预测效果的对比, 得出结论。 实验结果表明, 对于不同激发波长下荧光发射光谱数据而言, 265 nm激发光作用下的发射谱数据的预测模型最优, 其检验集决定系数R2P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1; 对于荧光多光谱数据级融合模型(简写为: LLDF-PSO-LSSVM)而言, 在235, 265和290 nm激发光作用下的发射光谱的LLDF模型效果最优, 其检验集的Ｒ２ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1; 对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言, 在265, 290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优, 其R2p=0.998 2, RMSEP=0.534 2 mg·L-1。 综合比较各类建模结果可知, MLDF-PSO-LSSVM的模型效果最优, 说明基于荧光发射光谱数据, 采用多光谱特征级融合模型检测水质COD时, 检测的精度更高, 预测效果更好。

提出了一种基于紫外和荧光多光谱融合的水质化学需氧量(COD)的检测方法。实验样本为包含近岸海水和地表水在内的53份水样,采用标准化学方法获取样本的COD理化值,利用紫外-可见光谱仪和荧光分光光度计采集样品的紫外吸收光谱和三维荧光光谱,对光谱数据进行处理后建模。采用蚁群-区间偏最小二乘法(ACO-iPLS)作为特征提取算法,采用粒子群优化的最小二乘支持向量机(PSO-LSSVM)算法作为建模方法,分别建立基于紫外吸收光谱数据和单激发波长下的荧光发射光谱数据的预测模型,以及紫外-荧光多光谱数据级融合模型和特征级融合模型,并对各类模型的预测效果进行对比。结果表明:基于紫外-荧光多光谱特征级融合模型的预测效果最优,该模型预测水质COD的精度更高,其校正集决定系数为0.9999,检验集的预测决定系数为0.9912,外部检验均方根误差为1.1297 mg/L。本研究为水质COD的快速检测提供了一种新的研究思路和解决方法。

多源数据融合能在一定程度上扩展数据信息量, 更利于建立准确和稳健的分析模型。 行星探测中常采用多个载荷协同分析同一目标, 因此利用多载荷数据融合辨别分析火星矿物具有重要科学意义和应用前景。 分别采用可见近红外(Vis-NIR)反射光谱和拉曼(Raman)散射光谱两种技术手段测量了火星表面主要矿物(硅酸盐、 硫酸盐、 碳酸盐)的光谱特征曲线, 并对获取的光谱数据进行基线校正、 Savitzky-Golay平滑以及标准矢量归一化(SNV)等必要的数据预处理。 根据光谱特征, 首先选取样品Vis-NIR和Raman数据信息丰富、 信噪比高、 光谱信号重叠小的波段(Vis-NIR: 430～2 430 nm, Raman: 130～1 100 cm-1), 然后运用软独立建模分类法(SIMCA)、 主成分分析法-K最邻近分类法(PCA-KNN)分别建立基于Vis-NIR, Raman及两者融合(累加融合、 串联融合)的矿物聚类分析模型。 采用SIMCA算法的矿物聚类准确率由单一光谱建模的72.6%(Vis-NIR), 90.7%(Raman)提升为融合建模的96.3%(累加融合)和98.1%(串联融合)； 采用PCA-KNN的准确率由单一光谱建模的68.9%(Vis-NIR), 72.9%(Raman)提升为融合后的80.3%(累加融合)和92.6%(串联融合)。 实验结果表明: 光谱融合能够发挥Vis-NIR, Raman各自的数据优势, 所建火星表面相关矿物分类模型的预测准确度更高。 该研究为我国火星探测任务奠定了岩石分类方法基础。