路面状态传感器是路面状态定性识别和定量测量的重要工具，其定量测量性能依赖于定量标定模型的准确性。为了解决路面状态传感器定量标定数据非线性和非均匀分布问题对定量测量的不利影响，提出基于PSO-ASVR(particle swarm optimization - adaptive support vector regression)的路面状态传感器定量标定模型。构建AP(adaptive preprocessing)流程进行标定数据最优化预处理,降低路面状态传感器非均匀分布问题影响下的标定数据处理误差。采用基于结构风险最小化的SVR(support vector regression)算法进行标定数据拟合，并利用PSO(particle swarm optimization)算法实现SVR中参数最优化，降低路面状态传感器标定数据非线性引入的数据拟合误差。不同路面状态条件下标定数据处理实验表明：新方法相比于传统方法在均方根误差RMSE上至少可减小63%，验证了其在提高定量标定模型精度上的有效性，实现了路面状态传感器定量标定误差的降低。

为实现温度不稳定环境下木材含水率的近红外光谱检测, 探究了不同温度下木材近红外光谱的变化规律及温度变化对近红外预测木材含水率的影响。 对从林场采集的樟子松、 水曲柳、 大青杨和红松原木木块试样各75块, 共计300块试样, 进行了不同温度和含水率条件下的近红外光谱采集。 采用单一温度下的校正集分别与各个温度下的验证集建立偏最小二乘含水率预测模型, 探究温度变化对木材含水率模型预测准确性的影响。 比较了不同光谱预处理的木材含水率预测温度全局模型。 采集相同含水率下不同温度的近红外光谱数据, 对光谱进行光谱平均、 一次微分、 主成分分析和偏最小二乘判别分析, 以探究温度变化时, 木材近红外光谱的变化规律。 结果显示: (1)温度对木材样品光谱存在显著影响; 主成分分析和判别分析表明不同温度下的样品有明显聚类趋势, 温度判别准确率为96.1%。 温度会影响木材的近红外光谱在特定波长吸收峰的位置及吸光度, 在含水率相同的情况下, 随着温度的升高, 特定位置吸收峰有逐渐向高频波段转移的趋势且在零下低温时波峰移动变化更明显。 (2)不同温度下的PLS含水率预测模型对温度变动的适应能力有差异, 木材含水率预测模型更适应于检测与建模样本相同温度的样品。 与单一温度模型相比, PLS温度全局模型对于温度变化具有很好的适应性和应用潜力, RMSEP低于大部分单一温度模型。 基于SG平滑+多元散射校正+一次微分预处理联用的PLS含水率温度全局模型有较好的预测效果和温度适应性, RMSEP降为0.074。 可见, 温度变动是近红外法检测木材含水率的过程中不可忽视的扰动因素; 基于光谱预处理的温度全局模型可以显著提高温度适用性。 该研究可进一步促进近红外光谱技术在木材生产、 加工过程中的应用。

近红外光谱中包含了物质中有机分子含氢基团的特征信息, 具有维度高、 冗余大等特点。 传统的基于浅层校正模型, 比如主成分回归、 偏最小二乘回归、 人工神经网络、 支持向量回归等, 无法提取近红外光谱数据深层的信息。 提出一种基于堆叠监督自动编码器的近红外光谱建模方法, 不仅可以拟合光谱数据与理化值之间复杂的非线性关系, 还可以提取数据深层的特征信息。 首先通过对比不同的光谱预处理对模型预测结果的影响, 选择最优的预处理方法, 然后再使用相关系数法提取特征波段。 将处理好的近红外光谱数据作为堆叠监督自动编码器的输入信号, 利用理化值对多个监督自动编码器进行有监督的预训练; 将多个经过预训练的监督自动编码器进行堆叠, 得到堆叠监督自动编码器; 将预训练的参数作为堆叠监督自动编码器的初始化参数, 然后再利用理化值对堆叠监督自动编码器进行有监督的微调, 最后得到模型的最优参数。 分别利用玉米含水量和黄酒总酸含量等近红外数据集进行验证, 建立了偏最小二乘回归预测模型、 人工神经网络预测模型、 堆叠自动编码器预测模型和堆叠监督自动编码器预测模型, 验证了堆叠监督自动编码器建模的可行性; 以预测均方根误差和预测相对分析误差两个指标对比分析了偏最小二乘回归、 反向传播人工神经网络、 堆叠自动编码器及堆叠监督自动编码器四种建模方法的评价指标。 分析结果表明, 采用该方法建立的模型, 模型预测效果更好, 玉米含水量数据集的两个评价指标达到了0.060 4和4.313; 黄酒总酸含量数据的两个评价指标达到了0.120和4.227, 均优于另外三种方法。

药品安全与质量监管迫切需要在线、 快速、 低成本的成分检测技术。 近红外光谱技术在检测成本及速度方面具有显著优势, 基于近红外光谱的药品成分检测方法, 对于提高药品质量监管水平有着十分重要的研究意义和应用价值。 在实际应用中, 不同光谱仪器由于性能参数不同, 测量光谱存在一定差异, 很难实现定量校正模型共享。 因此, 研究不同光谱仪器之间模型传递对于提高分析效率十分重要。 针对头孢类药品成分检测的需要, 研究了头孢类药品中三种组分定量校正模型, 提出了一种基于马尔可夫链(MC)的转换集选择的不同仪器间定量校正模型传递方法。 采用两台不同厂家光谱仪器分别测量56份不同批次的头孢拉定颗粒样品, 针对样品的三种组分: 头孢拉定、 头孢氨苄和水分, 使用偏最小二乘法(PLS)建立定量校正模型。 通过构建概率矩阵, 选择合适的转换集, 提高模型转换效率及不同仪器得到光谱数据的建模预测精度。 实验结果表明, 利用该模型转移算法, 可利用少量转换集样本实现不同光谱仪器间定量校正模型转移, 模型转移前后, 定量校正模型对于三种主成分预测相对误差从9.67%, 52.14%和19.25%, 分别下降到到4.37%, 31.12%和11.67%。 利用该模型传递方法可以有效修正主从仪器光谱差异, 实现了不同仪器测量光谱及定量分析模型传递共享。 该研究的建模分析与模型传递方法也为药品成分与质量检测提供了技术支撑。

血液鉴别对于检验检疫、 刑侦以及动物保护领域具有非常重要的意义, 传统的的血液鉴别方法在鉴别的过程中存在分析周期长、 对血液样本造成损害等缺点。 而拉曼光谱可以通过分析与入射光频率不同的散射光谱得到分子振动、 转动方面的信息, 进而得到物质的组成成分, 并且具有零污染非接触的特点, 为血液的无损鉴别提供了可能, 但是在拉曼光谱中, 各个波长点之间存在严重的多重共线性, 直接使用全光谱进行建模会增加模型的复杂性和降低模型的稳定性。 针对拉曼光谱的特点, 提出了一种基于神经网络的波长选择方法。 该方法利用神经网络学习到各个波长点对校正模型的贡献权重, 并将权重的均值作为阈值, 去除权重低于阈值的波长点, 以达到波长选择的目的。 为了更容易确定筛选的阈值, 在权重学习的过程中加入了稀疏约束, 极大的减少了用于筛选的波长点。 利用动物与人血清的拉曼光谱数据集对所提方法进行了验证, 实验结果表明, 利用该方法得到的光谱建立的校正模型, 相比于全光谱数据在分类准确率和AUC值都有一定的提升, 人工神经网络(NN)的准确率达到了94.495%, AUC值达到了0.9850, 偏最小二乘(PLS-DA)的准确率达到了92.661%, AUC值达到了0.9760。 与传统的波长选择方法UVE相比, 该方法选择的波长点更少, 仅选择了42个波长点用于建模, 而且得到的校正模型的分类准确率和AUC值更高, 证明该波长选择方法能有效的筛选出对建模有贡献的波长点, 提高了模型的分类准确率和稳定性, 为血液的无损鉴别提供了可能, 具有一定的实用价值。