近年来, 饮用水安全问题引起社会的广泛关注。 采用紫外-可见光吸收光谱对水质进行异常检测, 具有现场原位、 无需试剂、 分析快速等优点, 适合快速在线监测。 然而, 紫外-可见光光谱数据量大, 且易受仪器和水质正常波动的干扰, 从而影响水质异常检测结果。 提出一种基于基线校正和主元分析的紫外-可见光光谱法来检测污染物引起的水质异常, 该方法利用非对称最小二乘校正基线, 采用主元分析法从基线校正后的光谱矩阵中降维并提取特征, 然后根据残差子空间的Q统计量评估测试样本的离群点, 最后采用累计概率来更新异常报告结果。 通过苯酚注入的实验, 验证了该算法的有效性, 实验结果表明, 提出的方法与单波长法相比, 有效地提高了污染物的检出下限; 与未经基线校正采用主元分析进行的异常检测方法相比, 提高了检出率, 降低了误报率。

提出了一种衰减全反射红外光谱法快速分类和识别多种食用油的方法——KL-BP模型.此模型利用KL算法对原始光谱数据分类特征进行提取并对原始数据降维,降维后的数据作为神经网络的输入建立分析模型.实验共收集了九种食用油包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油、大豆油、茶籽油,共84个样品,并测定了其衰减全反射红外光谱.为了对比所提方法性能,分别建立PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP模型的分类结果进行对比.研究结果表明,对所研究的9种食用油,PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP方法的识别率分别为59.1%,68.2%,77.3%,77.3%和90.9%.在数据降维中,KL算法通过分别提取使类间距离和类内距离比值最大方向的特征向量提取和包含在类内离散度矩阵中的分类信息,能够比PCA方法提取了更多的分类信息;引入BP神经网络能有效地提高分类能力和分类准确率;KL-BP综合了KL对分类信息提取优势以及BP神经网络自学习、自适应、非线性的优点,在分类和识别成分相近的9种食用油中表现出了最优秀的能力.

从数码相机的RGB 信号重构物体表面的光谱反射率是光谱颜色管理研究中的重要课题之一。提出了一种基于误差反向传播前馈神经网络(BP)和主元分析法(PCA)实现色卡的表面光谱反射率重构的新算法。通过对三种色卡进行光谱重构实验研究了BP 神经网络的最优结构和主元数的最佳选择，验证了算法的精度。实验结果表明，采用适当的BP 神经网络和主元分析相结合的新算法能够精确重构同类色卡的表面光谱反射率。

由数码相机信号直接重构物体表面的光谱信息对不同照明条件下颜色的复现十分重要。基于普通商用数码相机分别摄取两种CIE标准光源D65和A下颜色样品的RGB信号, 采用主元分析法(PCA)和多项式模型的结合算法进行物体表面色光谱反射比的重构研究。实验结果表明, 同时应用两种光源下的RGB信号可有效提高光谱重构精度, 并能较好地再现色样的同色异谱特性。

针对彩色扫描仪的特点,采用主元分析法(PCA)和反向传播(BP)人工神经网络(ANN)相结合的方法对图像光谱重构进行研究。选择IT8.7/2标准色卡作为训练样本,将该色卡中的另一组色靶作为检验样本以讨论不同网络结构以及不同主元数和训练样本数对光谱重构的影响,再以自然色系统(NCS)色卡为检验样本来分析不同种类的训练和检验样本与光谱重构性能的关系。实验结果表明,采用3-14-6网络结构和6个主元数是最佳选择,训练样本和扫描目标之间的一致性是基于彩色扫描仪图像光谱重构的关键所在。