应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。 利用Kernard-Stone法对训练集样本进行划分， 对光谱数据预处理方法进行了选择， 比较了平滑、 范围标度化、 自标度化、 一阶微分、 二阶微分以及这几种预处理相互结合的六种方法， 确定了以平滑、 一阶微分， 范围标度化作为国公酒近红外光谱的数据预处理方法， 采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm－1及9 712～9 808 cm－1。 应用最小二乘支持向量机建立模型， 所建模型的交叉验证误差均方根为0.000 1， 预测误差均方根为0.004， 预测集的相对偏差小于5%。 与组合的间隔偏最小二乘法、 径向基-人工神经网络和支持向量机进行了比较。 该方法快速、 无损且可靠， 可作为国公酒中橙皮苷含量快速测定的手段。

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见-近红外光谱特征波长的新方法(SA-LS-SVM)。该方法用LS-SVM作为识别器, 用识别率作为SA的目标函数, 提取合适的特征波长数以及对应的特征波长。3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA-LS-SVM, 主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理, 提取特征波长或主成分, 然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测。结果发现, SA-LS-SVM只需从751个数据光谱中提取4个特征波长, 就可以使三种品牌润滑油的识别率达到了100%, 而其他所有的方法发现预测率都达不到100%, 由此验证了SA-LS-SVM的优越性。实验结果表明, SA-LS-SVM不仅能有效地减少建模的变量数, 而且可以提高预测精度。