确定中药品种是确保中药材质量的第一关。为探索中草药品种的快速鉴别方法，本文应用太赫兹光谱技术结合模式识别方法对 6种中草药进行分类鉴别。采集了白附片、大黄、党参、陈皮、麦冬、天麻等 6种常用中草药，共得到 420组太赫兹光谱数据，在 0.2~1.5 THz波段分别采用支持向量机 (SVM)、主成分分析 (PCA)和支持向量机相结合、线性判别分析(LDA)结合支持向量机等方法对 6种中药材进行了定性鉴别分析。结果表明，太赫兹光谱数据结合线性判别分析和支持向量机建立的 LDA-SVM中草药品种识别模型最优，模型准确率达 100%，对未知样本的鉴别准确率达 98.41%。本文的 LDA-SVM模型具有较好的鉴别能力，能快速准确地鉴别出中药材的品种，为中草药的质量控制提供了又一鉴别手段。

我国每年产生废旧纺织品超过2 600多万吨, 且随着经济的发展呈现逐年增多的趋势, 而其再生利用率不足10%。 废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、 快速回收和高附加值再利用的最大障碍。 人工识别分选既费时费力又不准确, 而近红外光谱分析技术可对其进行快速无损高效识别分选。 在前期探究的最佳测试条件下, 利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、 棉、 毛、 锦纶、 真丝、 粘胶、 腈纶、 聚酯/毛、 聚酯/棉、 聚酯/锦纶、 真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。 基于采集的样本在线原始NIR谱图, 利用卷积神经网络方法, 依据输入的样本光谱数据及对应分类标签进行网络训练, 建立了12类废旧纺织品在线NIR定性识别模型。 对比一维、 二维卷积神经网络模型, 其二维模型较优, 该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像, 再交替进行多次卷积和池化来进行光谱特征的提取、 压缩和数据降维。 通过模型计算得到每类废旧纺织品样本的类别概率值, 取其最大值作为该类织物的最终分类。 本模型训练过程设置为500轮, 每次取32个样本图像, 学习率为0.001。 训练后输出预先设定的12类织物标签, 所建模型的内部训练准确率可达96.2％。 为了验证模型的适用性, 用232个未参与建模的织物样品进行预测检验, 其识别正确率达96.6％。 将该模型导入“纺织品在线主控程序”后, 可对建模样本所涵盖的12类织物进行成分识别与自动分选, 每个样品的识别和分选时间小于2 s。 模型的建立和装置的应用为我国废旧纺织品的回收再利用提供了一种全新的分选技术和装备。

利用太赫兹时域光谱技术对黄耆类牧草种子样品进行测试，得到5种常见沙打旺牧草种子在0.2~1.2 THz有效频率范围内的太赫兹时域谱，然后通过快速傅里叶变换得到了各牧草种子样品的吸收系数、折射率等光学参数。研究后发现：在有效频率范围内，样品时域谱的峰值强度和延迟时间均不同，且每条谱线的平均吸收系数和标准差也有明显差异，各样品的平均折射率也有较大差异。同时，本文提出了一种将主成分分析（PCA）与随机森林（RF）机器学习算法相结合的优化实验数据的混合模型PCA-RF，并基于太赫兹折射率谱，采用PCA-RF模型和RF模型对5种牧草种子的200个数据集进行了统计计算。结果表明：混合模型PCA-RF的平均分类准确率为91.20%；与RF模型相比，不管是总的平均分类准确率，还是每种样品的分类准确率，PCA-RF模型都优于RF模型。研究结果表明，太赫兹时域光谱技术结合混合机器学习算法的PCA-RF模型是一种无损鉴定牧草种子真伪的有效手段，可用于鉴别同族且差异较小的牧草品种。

青霉素类药物在临床上的应用十分广泛,此类药物的真伪鉴别以及药物含量的鉴定是极其重要的。利用自主搭建的太赫兹时域光谱系统,对纯青霉素钠和三种不同厂家的阿莫西林胶囊进行了测试分析,获得了四种药品在0.2~1.4 THz波段的吸收谱,发现它们均存在明显的吸收峰。同时,在相同质量下测试了纯青霉素钠和不同含量的阿莫西林在吸收峰强度上的变化,分别得到了四种药品的质量和强度的对应关系。最后将阿莫西林三种药品的强度放在一起进行对比,可直观地看到含量和强度之间的对应关系。对纯青霉素钠和阿莫西林的光谱研究结果表明:利用太赫兹光谱可对青霉素类药物进行定性鉴定和定量分析,这对青霉素类药品的物质鉴别等有重要意义。

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。

单倍体育种技术是玉米育种新方法, 该方法可有效缩短产生纯合系的周期, 提高育种效率。 该技术需首先挑选足量单倍体籽粒, 而玉米在未加人工干预时, 单倍体在混合籽粒中仅占0.05%～0.1%, 即使采用生物诱导技术, 单倍体籽粒数一般也不到籽粒总数的10%。 高速、 精准地从大量混合籽粒中挑选得到占比少于10%的单倍体籽粒, 才能够满足工程化育种需要, 而实际育种工作中挑选单倍体时常用的分子生物学、 田间形态学辨别等方法存在耗时长、 成本高、 破坏样本等缺点, 难以高效精准地得到玉米单倍体籽粒。 相关研究已经证明高油玉米的单倍体与二倍体之间具有明显含油率差异, 目前低场核磁共振技术可用于检测玉米单籽粒的含油率, 并根据含油率对单倍体进行鉴别, 但核磁共振仪存在价格贵、 维护难、 速度慢、 效率低等弱点, 现有设备完成单籽粒分选需用时4 s, 无法满足工程化育种中大量筛选的速度需求。 使用VIAVI微型近红外光谱仪能够达到0.25 s每颗的检测速度, 相比核磁共振技术速度快, 仪器价格较低, 维护方便。 使用近红外光谱仪分析技术对单倍体与二倍体籽粒进行鉴别, 可以取代核磁共振鉴别单倍体的方法。 采用近红外光谱定性鉴别单倍体籽粒虽然取得了一定效果, 但目前研究中所采集玉米品种相对较少, 研究只针对某一品种单倍体建立模型, 对该品种单倍体进行分类; 国内外尚无多品种混合单倍体鉴别相关研究, 而工程化育种亟需一种能够识别多个品种玉米单倍体的鉴别方法。 为此, 本文提出一种基于深度信念网络的多品种混合玉米籽粒单倍体鉴别方法, DBN是一种多层深度神经网络, 每层由受限玻尔兹曼机构成, 采用逐层训练策略, 可解决传统神经网络训练方法不适用于多层网络训练的问题。 对比实验结果表明使用DBN方法建立多品种单倍体鉴别模型具有较高分类性能, 能够满足玉米工程化育种精度要求。

采用红外光谱技术对未知气体组分进行监测, 需要对气体组分进行定性识别分析。 基于多元线性回归模型的LASSO变量选择技术广泛应用于数据分析领域。 将LASSO方法引入到红外光谱分析领域, 提出一种LASSO变量选择技术结合循环线性最小二乘(LCLS)分析的定性识别方法, 并开展了相关的实验对其进行验证。 实验采集CO, C2H4, NH3, C3H8, C4H10和C6H14六种单组分傅里叶变换红外(FTIR)光谱吸光度谱以及一组C2H4和NH3混合组分的吸光度谱, 结合实验室自建光谱数据库, 先采用LASSO方法对采集的光谱进行初步定性分析, 然后使用LCLS方法剔除干扰组分。 实验结果表明, LASSO结合LCLS的方法能有效识别出光谱中的目标组分, 即使是在干扰严重的光谱波段也可以剔除掉大部分的干扰组分。

石油是一种成分复杂的混合物, 通过常规的检测方法很难对其进行定性识别。本文用汽、煤、柴油的混合物来模拟环境中的油类污染物。汽、煤、柴油在特定波长范围的激发下可以发出含有物质自身信息的荧光, 根据朗伯-比尔定律可知荧光强度与物质浓度成正比, 利用该性质对特定物质进行识别。通过FS920稳态荧光光谱仪对样本进行测量, 将实验所得的三维数据拓展为五维数据, 提出了一种将展开偏最小二乘耦合到残差四线性的五维数据处理方法, 同时采用五维平行因子法和该算法分解数据, 实现了对汽、煤油的定量分析, 并恢复出了其激发和发射光谱。结果表明, 展开偏最小二乘法的分析效果更好。