为探究中红外光谱快速检测核桃产地和品质的可行性, 基于中红外光谱分析技术, 并将化学计量学的算法应用于中红外光谱判别分析之中, 对中国四大核桃主产区的10类主要核桃品种进行检测, 取得较好效果。 通过提取核桃粉末的光谱透射率, 去除原始光谱首尾部分的明显噪声, 对保留的700~3 450 cm-1范围的光谱采用小波分析（wavelet transform, WT）算法进行去噪预处理, 并采用无信息变量消除结合连续投影算法（UVE-SPA）提取光谱特征波数, 采用主成分分析法（PCA）对光谱定性分析, 基于反向传播神经网络（BPNN）、 极限学习机（ELM）、 随机森林(RF)、 径向基函数神经网络（RBFNN）及偏最小二乘判别分析（PLS-DA）对全谱和特征波数建模对比。 在4类不同产地核桃判别中, 得到12个特征波数: 803, 1 355, 1 418, 1 541, 1 580, 1 727, 1 747, 1 868, 2 338, 2 462, 2 824和3 166 cm-1, 基于特征波数分类的正确率高于全谱的分类结果, BPNN算法结合特征波数建模得到的识别正确率高达97%, RF算法分类判别效果最差, 正确率仅6970%; 在10类不同品种判别中, 得到10个特征波数: 903, 1 275, 1 507, 1 541, 1 563, 1 671, 1 868, 2 311, 2 845和3 437 cm-1, 基于特征波数分类的正确率依然高于全谱的分类结果, BPNN算法结合特征波数建模得到的识别正确率高达833%。 在特征波数通用性方面, 两组特征波数范围中有2个特征波数相同: 1 541和1 868 cm-1, 其他大多特征波数也都相近, 将10类品种特征波数作为输入变量对4类不同产地的核桃进行分类, 分类结果较差, 因此, 在10类品种监督值下选取的特征波数无法适用于4类产地的判别问题, 由此推断, 即使是同一原始数据, 基于不同判别问题得到的特征波数在建模时通用性较差。 结果表明, 经UVE-SPA算法提取特征波数后, 变量数可减少99%以上, 有效地简化了模型, 减少计算量, 提高预测的稳定性; 总体上, 每个分类器的表现为: BPNN>RBFNN>ELM>PLS-DA>RF; 基于小波变换结合特征波数选取和反向传播神经网络算法能有效地实现核桃的产地和品种识别。

转基因技术对于实现粮食增产, 保护生物多样性, 减少化学农药使用量等方面有着重大意义, 但也可能存在一定的安全隐患。 因此, 转基因作物检测鉴别技术的研究愈发受到重视。 本文采用中红外光谱分析技术, 研究对不同品种的转基因大豆及其亲本进行鉴别的可行性。 实验采集了三种不同的非转基因大豆亲本（HC6, JACK和W82）及其转基因大豆品种在3 818～734　cm-1范围内的光谱信息。 采用偏最小二乘-判别分析（partial least squares-discriminant analysis, PLS-DA）进行判别分析, 三种大豆的建模集的判别正确率分别为96.67%, 96.67%和83.33%, 预测集的判别正确率分别为83.33%, 85%和85%。 研究中采用X-loading weights、 变量投影重要性（variable importance in the projection, VIP）和二阶导数（second derivative, 2-Der）三种特征波数选择方法对光谱数据进行处理, 并根据得到的特征波数分别建立PLS-DA模型进行判别分析, 三种大豆的建模集和预测集的判别正确率均超过76.67%和75%。 采用主成分分析（principal component analysis, PCA）和独立组分分析（independent component analysis, ICA）两种特征信息提取方法对光谱数据进行处理, 分别建立PCA-PLS-DA和ICA-PLS-DA模型进行判别分析, 三种大豆的建模集和预测集的判别正确率均超过80%和75%。 研究表明中红外光谱分析技术可以较为准确地鉴别非转基因亲本与转基因品种, 为转基因大豆的无损鉴别提供新的思路。 同时结合特征波数选择方法与特征信息提取方法可以有效地降低模型复杂度, 减少程序运算量。

利用共聚焦拉曼光谱技术对茶叶中非法添加的重金属染料——美术绿进行检测研究。 首先通过特定的浓缩方法, 获取了五个浓度水平美术绿茶汤样本的拉曼光谱。 通过比对标准品拉曼光谱, 对混有美术绿的样本光谱进行了定性分析。 并找到了能够用于定性鉴别茶叶中美术绿的4个主要拉曼特征波数, 分别为1 341, 1 451, 1 527和1 593 cm-1。 对原始拉曼光谱进行预处理后, 融合反向间隔偏最小二乘（biPLS)、 竞争性自适应重加权算法（CARS)和连续投影算法（SPA)对拉曼光谱中美术绿的特征波段进行深入挖掘, 最终优选出了14个特征波数。 基于这14个特征波数分别建立了偏最小二乘（PLS)回归模型和最小二乘支持向量机（LS-SVM)模型, 结果表明, 两类模型均具有好的稳健性和很高的预测能力, 模型的建模集、 验证集和预测集的决定系数（R2)均超过了09, 证明了所提取出来的特征波数的有效性。 与偏最小二乘回归模型相比, 基于LS-SVM的非线性定量检测模型的效果更佳, 预测集决定系数（R2)达到0964, 均方根误差（RMSE)为0535。 以上研究结果表明, 共聚焦拉曼技术结合特定的样品处理方法及化学计量学方法, 可以实现茶叶中非法添加美术绿的定量检测。 该研究为茶叶中非法添加美术绿这一食品安全问题的有效监管提供了帮助。

研究了不同分辨近红外光谱对汽车差速器油品牌鉴别的效果与影响.分别采集了五种不同品牌汽车差速器油在4,8,16和32 cm-1分辨率下的透射光谱.去除采集波段范围两端噪声明显部分后采用10 522.28～4 443.425 cm-1范围光谱进行分析.不同分辨率光谱的主成分分析(principal component analysis,PCA)结果表明不同品牌差速器油可以被鉴别.同时基于不同分辨率光谱全谱所建立的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)以及支持向量机(support vector machine,SVM)模型所获得的判别正确率相近且均高于90%.其中以8 cm-1分辨率下PLS-DA与SVM模型的判别正确率最高.上述研究结果表明分辨率对判别分析结果的影响较小.进一步对不同分辨率下的近红外光谱采用连续投影算法(successive projections algorithm,SPA)选择特征波数,发现不同分辨率下得到的特征波数均不相同,表明分辨率影响特征波数的选择.以不同分辨率特征波数建立的PLS-DA以及SVM模型取得了较好的判别分析效果,与以不同分辨率下全谱建立的判别分析模型效果相当.研究结果表明,分辨率对差速器油品牌鉴别影响较小,而对特征波数的选择影响较大,在实际应用中应考虑到分辨率对特征波数选择的影响.总体而言,不同分辨率的近红外光谱全谱与对应的特征波数都能有效的实现对汽车差速器油品牌的鉴别。