为实现对红枣品种的判别,利用高光谱技术并结合机器学习算法对金丝大枣、骏枣和滩枣这三个品种的新疆红枣进行研究。首先,分别利用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导(1-Der)和Savitzky-Golay(SG)平滑等数据预处理方法对原始光谱进行预处理,研究了预处理方法对建模的影响;然后,利用光谱-理化值共生距离法(SPXY)将样本集划分为校正集和预测集,基于线性判别分析(LDA)、K-最近邻分类(KNN)和支持向量机(SVM)算法对预处理后的全波段光谱建立红枣品种鉴别模型,结果显示,在多种预处理方法中,1-Der的处理效果最好;然后,结合主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权采样(CARS)等特征提取方法对全波段光谱进行特征波段的提取,再基于特征波段建立红枣品种鉴别模型,结果发现,在几种特征提取方法中,基于CARS所提特征波段建立的模型可以获得最高的鉴别准确率;最后,以SVM模型为例对模型运行时间进行了比较,结果发现,基于特征波段所建模型的运行时间远短于基于全波段所建模型的运行时间。

常规的煤炭鉴别方法需进行繁琐的制样过程, 且需结合多种化学参数指标进行综合判定, 以得到较为准确的分析结果。 提出一种基于500～2 350 nm的可见-近红外全谱段光谱分析技术与多层感知器(multilayer perceptron, MLP)分类方法相结合的块状商品煤鉴别方法。 该方法具有非接触、 无前期制样、 无化学分析的优势, 可快速高效的获取煤炭的分类信息。 采用地物光谱仪采集煤炭原始光谱数据, 对噪声过大、 影响后续处理的谱段进行删除, 剩余部分采用小波阈值去噪法进行噪声去除。 将去噪后的数据分成三个数据集: 可见-近红外光谱(500～900 nm)数据集、 短波红外光谱(1 000～2 350 nm)数据集、 全谱段光谱(500～2 350 nm)数据集。 对以上三个数据集进行主成分分析, 将提取出的25个主成分输入多层感知器分类模型。 多层感知器模型由输入层、 隐藏层(两层)、 softmax分类器构成。 对三个数据集进行分类精度的对比, 并采用随机森林(random forest, RF)与支持向量机(support vector machine, SVM)两种分类算法进行进一步的验证分析。 结果表明: 对块状商品煤分类, 全谱段光谱分析技术由于数据信息量丰富, 能够得到更优的分类效果, 在训练样本数为132时, 采用MLP分类器的分类精度最高, 为9803%; 随机森林与SVM的分类结果验证了全谱段数据集的优越性与普适性。 该研究为煤炭的在线分析、 便携式煤炭检测仪器的研发提供了可靠的技术支持。

甜瓜的品种多样, 富含多种营养成分, 甜瓜种子品种不纯将对甜瓜生产造成一定危害, 研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种, 以甜瓜品种“一特白”、 “一特金”、 “京蜜7号”、 “京蜜11号”、 “伊丽莎白”为研究对象。 构建了甜瓜种子品种鉴别光谱系统, 包括激发光源单元、 光谱数据采集单元和数据处理单元, 使用该系统获取不同品种甜瓜种子的光谱数据。 对光谱数据分别进行一阶导数(first derivative, FD), Savitzky-Golay(SG) 平滑, FD结合SG平滑预处理。 采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数, 提取主成分。 使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集, 并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。 本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果, 结果显示, 使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果, Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。 研究结果表明, 采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。

应用近红外光谱鉴定玉米种子品种真实性已有深入的研究。 在实际应用中, 商品玉米种子均涂有种衣剂, 给光谱的采集和分析带来了许多困难。 提出了基于近红外光谱的带种衣剂玉米种子品种真实性快速鉴定方法。 首先讨论了种衣剂对种子近红外光谱的影响, 然后将种子沿着胚面凹陷方向切开, 使用漫反射方式和专用配件测量种子切面的光谱, 以消除种衣剂的影响。 使用支持向量机、 软独立模式识别和仿生模式识别三种方法建立四个玉米品种的真实性鉴定模型, 正确识别率分别达到93%, 95.8%和98%。 品种鉴定模型具有很好的稳健性, 对来自不同产地的同一品种的种子均能够正确识别。

基于形貌特征的常规鉴别牡丹花品种方法主观性强且缺乏化学信息，运用傅里叶变换红外光谱（FTIR）技术结合主成分分析（PCA）来鉴别不同品种的牡丹花。各牡丹花品种的红外光谱整体上比较相似，主要由蛋白质、酚类、脂类、苷类、多糖及黄酮类化合物的振动吸收带组成。牡丹花一阶导数光谱在1800～700 cm-1区域有较大差异，选取该范围内的一阶导数数据,运用Matlab 2010编程实现主成分分析与相关分析，主成分分析的分类正确率达到96%，相关分析与主成分分析结果相一致。结果表明，此方法可以作为牡丹花品种鉴别的一种可行性手段。

利用高光谱成像技术(550～1　000　nm)， 采集了6个草地早熟禾品种新鲜叶片的高光谱图像， 提取了叶片的光谱信息， 运用Wilks’ Lambda逐步判别分析法， 从94个波段中选择了9个特征波段， 根据特征波段的光谱信息， 采用Fisher线性判别法， 构建草地早熟禾品种的判别分析模型。 结果表明， 选择3个、 6个和9个波段组合， 对120个训练样本的识别正确率分别为98.3%, 100%和100%， 对60个测试样本的识别正确率分别为83.3%, 96.7%和100%， 说明以9个特征波段的光谱信息构建的草地早熟禾品种判别模型是合适的， 利用高光谱成像技术结合判别分析法， 为快速识别草地早熟禾品种提供了一种新的方法。

为了快速准确进行西洋参和人参的品种鉴别， 从主根横断面入手， 采集其横断面的近红外光谱， 分别从物理结构因素和化学因素方面对光谱进行了分析， 选定特定波段进行物理因素主导建模、 化学因素主导建模、 理化因素综合建模， 并对三种建模结果进行比较分析， 发现三种模型判别率都在96%以上， 都能很好的满足批量原材料快速检测的需求。 物理因素模型运算简单， 但判别率相对低。 化学因素判别率较高， 但运算量大。 理化因素综合模型判别率最高为100%， 无需预处理， 运算量小， 效果最理想， 该结果说明近红外定性判别中物理结构因素有时也发挥重要作用。 横断面鉴别法准确、 便捷， 可实际应用于企业原料药材的质量控制， 实现对原料药材的快速筛查。

为了实现纤维种类的快速鉴别, 选用了棉、 麻、 毛、 丝、 天丝5种纤维, 提出了一种用近红外光谱技术快速无损鉴别纤维品种的新方法。 应用可见/近红外光谱漫反射技术测定各种纤维的光谱曲线, 用主成分分析方法(PCA)对光谱数据进行模式特征分析, 根据主成分的累积贡献率选用前6个主成分数进行建模和预测, 通过建立最小二乘支持向量机模型(LS-SVM)对主成分分析模型进行优化, 将前6个主成分作为最小二乘支持向量机的输入变量, 建立PCA-LS-SVM模式识别模型, 实现类别预测的同时也完成了数学建模与优化分析工作。 5个品种的纤维训练集样本200个用于PCA-LS-SVM的模型的建立, 对其余预测集样本50个进行验证,结果能准确的区分预测集的5种纤维。 并提出主成分分析结合最小二乘支持向量机的光谱数据分析方法具有很好的分类和鉴别作用, 为纤维品种快速鉴别提供了一种新方法, 为维护消费者权益, 保证纺织品质量, 实现纺织原料及其制品的合理化生产与交易具有重要的意义。