圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。

利用激光诱导击穿光谱(LIBS)技术,对油漆涂层中的重金属Pb进行定量检测研究。优化实验参数后,利用多通道光谱仪采集油漆涂层308~417 nm范围内的等离子光谱,为了得到精确的定量结果,对油漆涂层的Pb分别进行单变量分析、多元线性回归分析以及竞争自适应再加权采样-偏最小二乘(CARS-PLS)分析。结果表明,CARS-PLS分析模型的定量结果最准确,校正集的决定系数为0.991,预测样品4#、7#的预测相对误差分别为1.4%、1.5%;CARS变量筛选方法能够从光谱中有效筛选出与Pb相关的重要信息,能够结合PLS准确检测油漆涂层中的Pb。

可溶性固形物含量是判断苹果内部品质的重要参考属性之一。利用高光谱技术获取苹果感兴趣区域的反射光谱, 以S-G平滑（Savitzky-Golay smoothing)和直接正交信号校正（Direct orthogonal signal correction, DOSC)算法对光谱数据进行梯度预处理后, 用后向区间偏最小二乘法（Bipls)优选出3, 5, 6, 7, 8, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 23等16个子区间, 共计177个波长。结合竞争自适应重加权采样算法（CARS)再作进一步筛选, 提取出449.6,512.9,544.8,547.2,594.3,596.8,928.2 nm等7个特征波长, 利用偏最小二乘算法(PLS)建立基于特征波长的可溶性固形物含量检测模型, 所得模型评价为Rc=0.906 2, RMSEC为0.482 2,Rp=0.871 6,RMSEP为0.614 0。该算法模型预测性能同Bipls和Bipls-SPA模型相比更为优异, 证明了Bipls结合CARS算法在提高苹果可溶性固体物含量检测精度方面的有效性。

饲料中添加铜元素对猪生长速度的促进效果明显,因而铜元素在猪饲料中的超标情况非常普遍,但其带来的危害也非常严重。利用共线双脉冲激光诱导击穿光谱(DP-LIBS)技术对猪饲料中的铜元素进行快速定量分析,采用竞争自适应重加权采样(CARS)算法筛选出与猪饲料中铜元素相关的22个重要变量,压缩率为1.1%;基于筛选出来的22个重要波长变量,利用偏最小二乘(PLS)回归方法建立猪饲料中铜元素含量的预测模型,并对预测集猪饲料样品中的铜元素含量进行预测。结果表明:与全光谱-PLS模型相比,CARS-PLS模型具有更高的预测精度和预测能力,模型相关系数、交叉验证均方根误差、平均相对误差分别为0.978、19.25、5.59%。CARS算法可以有效地优化猪饲料中铜元素的激光诱导击穿光谱在线检测模型,并可以提高模型的预测精度。

提出了一种基于稳定竞争自适应重加权采样（stability competitive adaptive reweighted sampling, SCARS）的无标模型传递方法。 利用有用信息标准即稳定度指数（定义为回归系数除以其标准偏差的绝对值）和传递后的预测均方根误差（root mean squared error of prediction, RMSEP）, 选择重要的、 受测样参数影响不敏感的波长变量, 能够消除或减少不同仪器或测量条件对样本信息反应差异, 提高模型传递效果。 此外, 在该方法中, 光谱变量被压缩、 降维, 从而使模型传递更稳定。 采用该方法对谷物的近红外光谱分析模型在不同仪器之间进行传递研究。 结果表明, 该方法能消除仪器间的大部分差异, 较好地实现模型传递效果。 与正交信号校正法（orthogonal signal correction, OSC）、 蒙特卡罗结合无用信息变量消除法（Monte Carlo uninformative variable elimination, MCUVE）、 竞争自适应重加权采样法（competitive adaptive reweighted sampling, CARS）的比较表明, SCARS不仅在传递精度上能取得比OSC、 MCUVE及CARS更好的效果, 而且能有效地对光谱数据进行压缩, 简化并优化传递过程。