苹果产地溯源具有重要的应用价值和现实意义。 为了探寻苹果产地溯源新方法, 以红富士品种为研究对象, 以新疆阿克苏、 山东烟台、 陕西洛川三个产地671个红富士苹果样本为试材, 分别采集其590~1 250 nm的近红外透射光谱, 然后基于分数阶微分(FD)及主成分分析(PCA)-谱回归判别分析(SRDA)进行多模型融合, 构建红富士苹果产地溯源的集成学习模型。 首先, 将经过光谱校正后的光谱数据划分为训练集和测试集, 并利用分数阶微分预处理训练集光谱, 获取不同阶次(取0~2阶, 步长为0.1)的分数阶微分光谱; 结合不同阶次的分数阶微分光谱及PCA-SRDA算法构建基学习器, 将基学习器预测结果构成一个新训练集, 并通过决策树算法完成模型融合, 得到最终分类预测模型; 随后, 采用对应阶次的分数阶微分预处理测试集光谱, 并基于已建立的基学习器, 获得测试集相应的预测结果; 最后, 将预测结果构成一个新测试集, 并基于已建立的分类预测模型, 输出最终的预测结果。 按7:3比例随机划分样本集, 并进行200次重复实验。 结果表明, 结合不同阶次的分数阶微分预处理及线性判别分析(LDA)、 SRDA、 PCA-LDA、 PCA-SRDA算法建立多模型融合集成学习模型, 具有较好的鉴别效果和较强的鲁棒性, 其中, FD-PCA-SRDA多模型融合集成学习模型为最优, 其训练集的平均精度为97.33%, 标准差为0.49%, 测试集的平均精度为94.84%, 标准差为1.48%。 故, 分数阶微分技术及PCA-SRDA算法结合近红外透射光谱可成功、 有效地实现苹果产地溯源。

光谱质量、 样本个体差异、 检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。 采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s^-1运行速度在线获取了“富士”苹果全透射光谱信号。 不同姿态获取的透射光谱强度差异明显, 但曲线走势相近, 均在920 nm波段具有最大的光谱强度, 在850 nm波段存在波谷。 采用移动平均平滑、 标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差, 减小了样本检测姿态引起的光谱差异。 为分析不同检测姿态对苹果整果糖度预测模型的影响, 构建了单一姿态局限模型和多姿态通用模型, 结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性, 而多姿态通用模型预测能力较单一检测姿态相当, 但却对不同的检测姿态具有更强的适用能力。 为进一步提高光谱信号质量, 优化模型预测能力, 采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化, 发现移除中央位点获取的透射光谱信号, 有利于提高苹果整果糖度预测模型精度。 多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性, 有效提升了通用信号强度优化模型的预测能力和稳定性, 当多姿态通用模型中信号强度阈值为5 000时, 模型预测性能最佳, 其预测参数R_p, RMSEP和RPD分别为0.79, 0.84%和1.58。 表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的, 多姿态通用模型的建立, 扩大了模型在不同姿态的预测稳健性, 短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。

实现水体致病菌的快速识别检测对防控由水体微生物污染引起的大规模疾病爆发有重要的现实意义。 生化鉴定、 核酸检测等常规细菌检测方法存在耗费时间长、 需要精密的实验仪器等特点, 不足以满足水体细菌微生物的快速实时在线监测。 由于细菌的多波长透射光谱包含较丰富的特征信息, 并且这项光谱检测技术具有快速简便、 无接触、 无污染等优点, 近年来成为细菌检测研究的热点。 以肺炎克雷伯氏菌、 金黄色葡萄球菌、 鼠伤寒沙门氏菌、 铜绿假单胞菌和大肠埃希氏菌为研究对象, 通过对细菌光谱作归一化处理和方差分析得到光谱变动最显著的特征波长区间, 在该区间提取200 nm处的吸光度值及短波段的斜率值作为光谱特征值, 结合支持向量机对不同种类细菌进行预测。 结果表明, 多波长透射光谱的归一化预处理能够有效消除浓度影响, 并保留完整的原始光谱信息; 通过方差分析法得到特征波长区间为200~300 nm波段, 在此区间内提取的五种细菌的归一化光谱趋势图的特征值分别为: 200 nm处吸光度值为0.006 5, 0.005 1, 0.007 5, 0.007 5和0.008 5, 200~245 nm波段的斜率值为-62.45, -35.94, -81.30, -82.67和-103.49, 250~275 nm波段处的斜率值为-15.48, -14.82, -20.91, -13.92和-26.21, 280~300 nm波段处的斜率值为-29.96, -24.62, -33.71, -36.09和-30.88。 对样本提取特征值并随机划分训练集和测试集, 支持向量机选择惩罚因子模型以及线性核函数, 通过寻优算法确定最佳的惩罚因子参数c和核函数参数g, 对测试集样本进行测试, 得到细菌种类的识别结果, 五种细菌的预测准确率均达到100.0%。 综上所述, 水体致病菌的多波长透射光谱通过合适的数据预处理能够提取出具有明显差异性的光谱特征值, 该光谱特征值结合支持向量机能够有效用于不同细菌种类的识别, 该方法为水体细菌快速识别和实时在线监测提供了重要的技术支持。

红外甲烷传感器根据朗伯-比尔定律对甲烷的浓度进行检测, 而吸收系数是朗伯-比尔定律中的重要参数, 其受温度和压强的影响变化较大, 其变化会导致浓度测量的误差, 因而研究不同温度、 气压下甲烷吸收系数的变化规律对设计高精度的红外甲烷传感器有重要意义。 文献报道中, 一般采用获得测量甲烷浓度受环境影响的实验数据, 再加以数学处理的方法, 对测量误差进行补偿和修正。 该工作以分子光谱分析理论为基础, 以3 016.49 cm^-1波数的甲烷为研究对象, 利用HITRAN数据库的甲烷数据, 设计了Python程序调用HAPI函数, 拟合计算出甲烷吸收系数随温度、 气压的变化规律, 并通过傅里叶红外光谱对甲烷吸收系数的变化规律进行实验验证。 结果表明, 在3 016.49 cm^-1处, 水分子(湿度的影响)对于甲烷吸收系数的影响很小, 可以忽略不计; 温度和气压对吸收系数有一定的影响, 当气压为1.0 atm, 温度在-10~50 ℃范围内升高时, 甲烷吸收系数减小, 吸收系数与温度的关系呈线性关系; 当温度为273.15 K时, 气压在0.6~1.2 atm升高时, 甲烷收系数增加, 吸收系数与气压关系呈线性关系。 最后拟合出的吸收系数与温度、 气压的公式, k(T, p)=53.65(±3.24)-0.114 6(±0.010 7)T+21.07(±0.95)p。 实验中甲烷标准气体的浓度分别为1.01%, 2.00%, 3.51%和5.06%, 通入直径为2.5 cm, 长度为8 cm的短光程石英气体池中, 通过改变气体的气压及温度, 从傅里叶红外光谱仪获得甲烷的吸光度, 由于受实验仪器分辨率的影响, 如直接通过吸光度反演甲烷浓度其误差较大, 采用吸收系数与吸光度的比值来判断吸收系数拟合的正确性。 结果表明, 浓度为定值, 气压与温度变化时, 吸收系数与吸光度之比基本为定值, 从而证明了计算拟合出的甲烷吸收系数随温度压强变化的正确性。

选取对人体有重要作用的三种糖类化合物, 采用高分辨率太赫兹时域光谱系统与傅里叶变换红外光谱系统, 在较宽的频谱范围内, 对样品进行测谱分析; 实验发现无水葡萄糖在1.10, 1.30, 1.45, 1.79, 1.88, 1.97, 2.08, 2.40, 2.55, 2.70, 2.84 , 2.96, 3.24, 3.64和4.23 THz频率处存在特征吸收, 无水果糖在1.09, 1.33, 1.65, 2.14, 2.62, 2.97, 3.24, 4.75, 6.97, 7.35, 7.98, 8.36, 9.16, 9.32, 9.53和9.73 THz频率处存在特征吸收, 无水半乳糖在2.21, 2.33, 2.70, 2.82, 3.17, 3.42, 3.93, 4.51, 5.07, 5.96, 6.60, 6.91, 8.03, 8.71和9.01 THz频率处存在特征吸收。 对掺杂不同比例葡萄糖、 果糖、 半乳糖与聚乙烯样品的实验结果做定量分析, 发现在测得的上述特征吸收频率处, 随化合物样品质量分数的增加, 样品的吸收系数或吸光度呈线性递增。 实验进一步得到无水葡萄糖与无水果糖在2.96 THz存在共同的特征吸收, 无水葡萄糖与无水半乳糖在2.33, 2.70和2.82 THz三处存在共同的特征吸收, 无水果糖与无水半乳糖在8.00 THz处存在共同的特征吸收, 而无水葡萄糖、 果糖、 半乳糖三者在3.20 THz处存在共同的特征吸收。 三种化合物具有相同的分子式, 所以三者都具有的3.20 THz特征吸收频率主要源于分子内相互作用, 反应同分异构体相同的化学键或者基团。 三者特征吸收频率的差异主要源于分子结构以及分子间相互作用的不同, 代表同分异构体结构以及分子间振动模式的差异。 通过分析三种糖类样品的实验测量结果, 预测了葡萄糖在4.70, 5.30, 5.60, 5.98, 7.03, 7.85, 8.26, 8.71和9.01 THz处存在特征吸收。 基于密度泛函理论, 采用CASTEP量子化学计算软件对三种化合物进行理论模拟, 对样品在THz波段的特征吸收进行指认, 计算得到的结果与实验结果吻合, 这表明了CASTEP晶体模拟软件在化合物的THz光谱模拟方面应用的可行性。

化学需氧量（chemical oxygen demand，COD）是一项可以快速检测有机污染物的参数，能够很好地反映水污染的程度。提出一种基于透射光谱测量的多特征融合水体COD含量估算模型，透射高光谱法采集100组COD水体光谱信息，对光谱数据进行预处理以及特征波段的选取，分析不同预处理方法对模型精度的影响并进行特征融合，建立BP神经网络模型，通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示，基于多特征融合BP神经网络模型决定系数R²高达0.991 64，均方根误差RMSE为0.030 9，与偏最小二乘法相比，该模型拟合优度更大，精确度更高。基于多特征融合的BP神经网络高光谱检测方法能够实现水体中COD含量的检测，并运用到水体其他成分的检测中。