利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、 竞争性自适应重加权（CARS）、 连续投影算法（SPA）、 无信息变量消除（UVE）特征提取方法, 运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型, 实现蓝莓糖度在线无损快速检测。 采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱, 采用手持折光仪测定其糖度; 首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常, 剔除该6个异常样本, 对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集; 其次, 对比分析卷积平滑（S-G平滑）、 中心化、 多元散射校正等预处理对蓝莓原始光谱的改善效果, 运用SiPLS对光谱降维, 筛选特征波段, 利用CARS, UVE和SPA方法对特征波段进行二次筛选, 以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。 结果表明, 蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑, SiPLS方法挑选的蓝莓糖度最优波段为593~765和1 458~1 630 nm, UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。 建立蓝莓糖度DBN模型时, 分析了不同隐含层数对检测模型的影响, 并以交互验证均方根误差（RMSECV）作为适应度函数, 利用粒子群算法（PSO）对各隐含层神经元个数在［1, 100］之间寻优, 发现隐含层为3层且隐含层节点数为67-43-25时, DBN模型的RMSECV达到最小, 为0.397 7。 无论是以全光谱还是特征波长建模, 蓝莓糖度近红外DBN模型均优于常规PLSR方法; 尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量, 且模型精度更高, 蓝莓糖度最优的PLSR模型测试集相关系数（RP）为0.887 5, 均方根误差（RMSEP）为0.395 9, 最优DBN模型RP为0.954 2, RMSEP为0.310 5。 研究表明, 利用SiPLS-UVE进行特征提取, 结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析, 该方法有望应用于蓝莓及其他果蔬内部品质检测。

基于支持向量机和马氏距离探索了中红外光谱分析识别进口的卢氏黑黄檀、 风车木、 微凹黄檀、 燃料紫檀和东非黑黄檀的能力。 应用中红外光谱仪采集了500组试验样本进行分析, 对试验数据进行了预处理: 首先, 为了保证样本的有效性, 对异常光谱进行了诊断。 基于莱特检验法诊断出卢氏黑黄檀和微凹黄檀各有2组异常, 风车木、 燃料紫檀和东非黑黄檀各有1组异常。 为使样本数量统一, 五种树种分别剔除了包含异常光谱在内的5组数据； 其次, 分析了近红外光谱的树种识别研究, 结果表明: 对光谱数据进行一阶导数处理, 可提高识别的精度。 因此, 对中红外光谱数据进行了平滑处理和一阶导数处理。 采用主成分分析提取了光谱数据的特征值, 测试集的第一和第二主成分得分的散点图显示, 平滑加一阶导数处理的测试集的各自聚类性较平滑处理好。 以主成分的得分为特征, 基于支持向量机和马氏距离进行了识别研究。 考虑到识别方法中主成分个数的选取会直接影响识别的精度, 而通常主成分的选取仅参考累计贡献率, 此处为使主成分的选取更科学, 在支持向量机识别方法中利用粒子群算法进行参数寻优时, 对主成分的个数(范围为［5, 30］)与5折检验下的最佳判别准确率的关系进行了试验, 结果表明: 平滑处理和平滑加一阶导数处理的主成分个数在［7, 11］范围内的5折检验下的最佳判别准确率较高, 结合对应的判别准确率, 确定了最佳的主成分个数为8个。 以前8个主成分作为输入变量, 基于支持向量机和马氏距离对测试集进行了测试, 结果得出: 两种识别方法的正确识别率均较高, 支持向量机的识别率略高于马氏距离, 平滑加一阶导数处理的识别率均优于平滑处理, 平滑加一阶导数处理的支持向量机正确识别率达到了98%, 识别效果最好。 因此, 中红外光谱分析可以作为木材树种识别的一种有效手段。