针对目前水性油墨印刷适性难以准确检测和控制的问题，提出一种基于可见/近红外光谱结合化学计量学方法，准确检测水性油墨助剂的类型和浓度。首先，采用微型光谱仪（波长范围380~980 nm）获取水性油墨样本中含有不同浓度的乙醇、调色红和调色黄助剂的光谱数据，通过主成分分析法提取可完全表征样本光谱信息的特征波段，减少冗余信息，实现助剂类型的准确鉴别。然后，通过比较和讨论6种不同预处理方法结合偏最小二乘法、间隔偏最小二乘法（iPLS）构建的各助剂浓度预测模型。实验结果表明，通过主成分分析法，在617~726 nm光谱波段的前两个主成分累积贡献率高达99.909%，可实现对水性油墨助剂类型的准确判别。同时，通过比较分析发现，经过一阶导数和高斯窗平滑预处理后，在380~500 nm范围内，基于iPLS构建的各助剂浓度的预测模型，均达到了较好的预测效果。其中，乙醇助剂预测模型的决定系数和均方根误差分别为0.9798、0.0223，调色黄助剂的决定系数和均方根误差分别为0.9870和0.0075，调色红助剂的预测结果决定系数和均方根误差分别为0.9948和0.0038。实验证明，最优预处理方法结合iPLS建立的预测模型最优，可以准确检测水性油墨助剂的类型和浓度，满足水性油墨在印刷生产过程中检测与控制的应用需要，为后期实现水性油墨在线智能检测提供了技术基础。

果酒发酵中的多酚是引起果酒口感、 颜色变化的重要因素。 为保证果酒品质, 有必要开发一种快速监测发酵过程中多酚含量变化的技术。 收集不同批次成熟期的蓝莓、 桑葚为原料, 分别碾压成汁, 同时按比例混合二者, 于小型发酵罐进行发酵。 通过离线收集不同发酵时段的发酵液于离心管, 高速离心后取上清液置于棕色瓶保存, 共计得到48个果酒发酵样本。 将上清液置于三个平行样比色皿, 以傅里叶快速变换近红外光谱仪（FT-NIR）采集其透射光谱, 取平均值作为该样本的光谱信号。 然后将棕色瓶内的发酵液以国标法（即以标准液的吸光度值制定标准曲线）测定各样品的总酚含量, 以duplex法计算样本光谱之间的距离且按2∶1的比例划分为训练集和预测集。 采用间隔偏最小二乘法（iPLS）将训练集样本的透射光谱与总酚含量之间构建定量模型, 间隔数从2依次变化到60个。 该研究创新之处是使用共识方法融合多个已构建好的iPLS成员模型, 按一定的共识规则分配权系数。 通过各成员模型交互验证的残差及其残差之间的相关性来优化各成员模型的线性组合, 以拉格朗日乘数法求解各成员模型的权系数, 使间隔偏最小二乘-共识模型（consensual iPLS, C_iPLS）的交互验证均方根误差最小。 相比于全局PLS模型、 划分不同间隔数量时的iPLS模型, C_iPLS均具有较小的预测误差。 当划分39个间隔时由三个iPLS成员模型（即14th, 16th, 18th）组成的共识模型误差最小为124.2, 交互验证相关系数为0.944, 对预测集样本的预测均方根误差为163.4, 预测相关系数为0.931, 预测性能均优于PLS和iPLS模型。 另外, 作为对比选用连续投影算法与无信息变量剔除法来优化光谱模型, 其预测性能均不及本文提出的共识模型。 分析各iPLS模型预测残差之间的相关性, 发现共识模型主要是融合那些具有较高预测性能且模型间较低相关性的成员模型。 结果表明, 光谱分析结合共识方法可提高回归模型的预测精度、 减少建模所需变量数, 能够用于果酒总酚含量的离线快速检测。

矿井突水一直威胁着煤矿井下施工人员的生命安全, 准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。 激光诱导荧光(LIF)光谱技术识别矿井突水水源, 有效避免了常规的水化学法需要测定多种化学参数, 水源识别时间过长的缺点。 提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法, iPLS算法常应用于光谱波段优选和模型的回归分析, PSO-SVC则在机器学习领域有着重要的应用, 激光诱导荧光技术具有快速的时间响应、 测量精度高等特点, iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析, 进而可以对突水水源类型识别分类。 首先, 用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验, 对老空水、 灰岩水、 灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。 比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率, 采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。 其次, 用iPLS算法将全光谱波段依次按10～25波段区间进行等分, 选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段, 结合光谱图对比分析了划分10和14个子区间的建模结果, 发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。 最后, 在不进行去噪、 降维等预处理条件下, 根据iPLS划分不同区间数的评价指标统计数据, 选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入, 以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、 直接观察得到波段建模准确率相比, 训练集与测试集的分类准确率高达100%, PSO寻优到的最佳惩罚系数c为1.367 0, 核函数参数g为0.576 2。 从实验结果可以看出, 利用iPLS进行荧光光谱的特征波段筛选是切实可行的, 提取出的特征波段能充分反映出全光谱波段的有效信息, 为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。

为建立快速测定新疆薰衣草精油中芳樟醇(linalool)、 乙酸芳樟酯(linalyl acetate)含量的定量分析模型, 采用近红外吸收光谱法(NIR)测定了165个精油样品, 通过对近红外光谱吸收峰分析, 在7 100～4 500 cm-1波数范围内化学信息量比较丰富且噪音低, 可选择此波数段为分析区间。 剔除8个异常样本后, 通过聚类方法划分为105个校正集样本和52个验证集样本, 结合气相色谱质谱(GC-MS)法测定的薰衣草精油linalool和linalyl acetate的含量, 建立原始数据矩阵。 对比不同的预处理方法对原始近红外光谱的过滤作用, 其中正交信号变换(OSC)方法效果明显, 对两种化合物的预测均方根误差(RMSEP) 分别为0.226和0.558, 再用向前间隔偏最小二乘法(FiPLS)剔除与待测成分无关或呈非线性关系的波长点, 最终得到8个间隔区间共160个波长点的数据子集。 使用OSC-FiPLS优化处理的数据子集结合偏最小二乘法(PLS)建立新疆薰衣草精油中linalool和linalyl acetate的快速定量分析模型, 在模型中二成分的隐变量数都为8。 交互验证均方根误差(RMSECV)分别为0.170和0.416; 预测均方根误差(RMSEP)分别为0.188和0.364。 结果表明, 经OSC和FiPLS预处理建立的PLS-NIR定量分析模型稳健性好, 测定精度高, 能快速测定薰衣草精油中linalool和linalyl acetate含量, 并且具有良好的预测能力。 可为新疆薰衣草精油主要成分的快速定量分析提供一种新的有效方法。

采用间隔偏最小二乘法(IPLS)和移动窗口偏最小二乘方法(MWPLS),在640～1 100 nm范围内建立血糖短波近红外的优化模型。使用马氏距离对人血清样品中的奇异样品进行筛选,将检测光谱分别等分为2～15份进行IPLS分析,对比建立预测模型。设窗宽为151 nm,成分数范围(1～20),全谱进行MWPLS,对预测模型进行优化。结果显示,依据马氏距离采用最小半球体积法能有效筛选所采集光谱中的奇异光谱,IPLS可以有效地找到葡萄糖分子官能团对应的近红外特征谱段,MWPLS能够找到适合建模的精确起止波长点,通过偏最小二乘法建立血糖浓度的预测模型,相关系数R=0.982 2,预测均方差RMSEP=0.163 5 mmol/L,偏差Bias=-0.087 3 mmol/L。

为了探讨基于舌诊的疾病快速筛查，运用可见和近红外光谱仪，采集149名志愿者舌尖的反射光谱并且进行反射率归一化处理。根据临床诊断结果将样本分为4组：健康组、高粘血症倾向组、脂肪肝患者组和冠心病患者组。运用主成分分析(PCA)结合人工神经网络(ANN)方法、偏最小二乘(PLS)方法和间隔偏最小二乘(iPLS)方法3种方法建立分类预测模型。预测准确率分别为75%，75%和85%。实验结果表明，在3种建模方法中，iPLS预测效果最好，与可见光波段相比，近红外波段含有更多与疾病分类相关的光谱信息。实验的结果表明，光谱法用于某些疾病的快速诊断具有较高的可行性。

为验证近红外光谱测量全血中胆固醇和甘油三酯的可行性，采用近红外透射光谱结合化学计量学方法建立胆固醇和甘油三酯定量分析模型。获取全血在近红外全波段800~2500 nm范围的透射光谱后，通过采用间隔偏最小二乘法（iPLS）进行特征波段的选择实现对分析模型的优化。经优化后的胆固醇、甘油三酯分析模型的特征吸收波段分别为1650~1730 nm和2260~2340 nm，预测相关系数分别为0.79和0.865，预测均方根误差分别为0.5 mol/kL和0.28 mol/kL。研究结果表明近红外光谱技术可用于测量全血胆固醇、甘油三酯的含量，运用间隔偏最小二乘法可确定特征吸收波段和优化分析模型。

利用傅里叶近红外光谱(FT-NIRS)测定了苹果的硬度。通过使用几种基于遗传算法和间隔偏最小二乘法的特征波长选取方法，包括动态向后间隔偏最小二乘(dynamic backward version of interval PLS，dynamic biPLS)、动态向后间隔偏最小二乘结合遗传算法(dynamic biPLS＆GA-PLS)和反复的遗传算法(iterative GA-PLS)，分析了苹果硬度的特征波长。结果表明，运用遗传算法和间隔偏最小二乘选择特征波长后，不但可以降低模型的复杂度，同时能够达到提高模型预测精度的效果。在此基础上，研究分析了苹果硬度特征波长的物理化学意义。由于果胶是在苹果成熟过程中一种和硬度有很大关联的物质，通过比较苹果硬度的特征波长和果胶的特征吸收峰，发现两者具有有很好的一致性。因此，采用遗传算法和间隔偏最小二乘法得到的苹果硬度的特征波长能够反映果胶的吸收信息，从而解释了近红外技术检测苹果硬度的机理。

怎样建立准确的农产品内在质量的近红外光谱预测模型,一直是国内外近红外光谱分析者的研究重点,而现有的农产品近红外光谱数据建立光谱预测模型时,都要面临选择合适的光谱谱区的问题.本研究提出一种间隔偏最小二乘法的农产品近红外光谱谱区选择方法,并将其应用于建立苹果糖度近红外光谱模型.结果表明,该方法可以减小建模运算时间,剔除噪声过大的谱区,使最终建立的农产品品质检测近红外光谱模型的预测能力和精度更高.