可溶性固形物含量（SSC）是反映苹果品质和成熟度的重要生理指标, 能够用于苹果品质分析和成熟度预测。 以新疆阿克苏冰糖心红富士苹果为研究对象, 从果实膨大定形期至完熟期, 以等间隔周期3 d采摘样本, 测其380~1 100 nm的可见/近红外光谱和SSC, 共552个样本。 然后融合分数阶微分（FD）及置换重要性-随机森林（PIMP-RF）算法, 构建成熟期苹果SSC预测的集成学习模型。 结果表明, 基于PLS模型优选的分数阶微分阶次为0阶、 0.4阶、 1.1阶和1.6阶, 且通过PIMP-RF算法进行特征重要性和可解释性分析结果显示, 利用可见/近红外光谱预测成熟期苹果SSC的关键波长主要为可见光波段, 这为今后研发新疆冰糖心红富士苹果的快速无损检测设备提供参考； 基于分数阶微分技术和PIMP-RF算法构建的成熟期苹果SSC集成学习模型具有很好的预测能力, 其训练集的相关系数r等于0.989 2, 平均绝对误差MAE等于0.241 2, 均方根误差RMSE等于0.309 1, 平均绝对百分误差等于0.018 3； 测试集的相关系数r等于0.903 8, 平均绝对误差MAE等于0.549 9, 均方根误差RMSE等于0.740 8, 平均绝对百分误差等于0.043 4, 相比于FD0-PIMP-RF、 FD0.4-PIMP-RF、 FD1.1-PIMP-RF和FD1.6-PIMP-RF模型, 集成学习模型为最优。 故而, 集成分数阶微分技术与PIMP-RF算法, 结合可见近红外光谱技术可有效地实现成熟期苹果的可溶性固形物含量预测。

近红外光谱具有高维、 高冗余、 非线性的特性, 严重影响了样本之间的相似性度量的精准, 故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。 基于流形学习算法思想, 利用高斯分布将高维数据的距离转换为概率分布, 使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。 将高维数据的概率分布嵌入映射至低维度空间, 重构低维流形结构, 引入Wasserstein散度度量两个空间内概率分布的差异, 通过降低散度值来提高两个分布的相似度, 以此来实现高维数据降维处理。 为验证Wt-SNE算法的有效性, 首先对烟叶近红外光谱数据进行降维投影, 并与PCA、 LPP、 t-SNE算法比较, 结果表明Wt-SNE算法降维后的数据, 在低维空间内样本类别边界更加明显。 其次, 采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测, 准确率分别为93.8%、 91.5%、 92.7%, 表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。 最后, 选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换, 根据备选样本与目标样本之间的马氏距离选取替换样本。 实验表明, Wt-SNE选取的替换烟叶与目标烟叶相似度最高, 烟碱、 总糖等化学成分含量与目标烟叶差异较小, 香气、 烟气、 口感得分表现出较高的一致性。 该方法能够有效度量烟叶近红外光谱之间的相似性, 为卷烟叶组配方的维护提供有力的依据。

近红外光谱涵盖了有机分子中C—H, N—H和O—H等含氢基团的倍频和合频产生的光谱, 提供了分子的结构、 组成、 状态等信息, 是研究有机物含氢基团振动的重要方法, 常用于食品、 农作物等的定性定量分析。 生化领域内所研究对象也都含有氢基团, 这些含氢基团吸收频率特征性强, 受分子内外环境影响小, 近红外光谱特性更稳定, 故可用于化学战剂和危险化学品检测。 沙林是一种神经性化学毒剂, 研究其结构、 化学特性及光谱性质时, 为保证安全, 实验中常用模拟剂样品代替测试, 但目前尚无公允的沙林毒剂近红外模拟剂。 采用密度泛函理论(DFT), 基于Gaussian程序包, 利用B3LYP/def2-SVP对沙林分子进行基态结构优化, 计算了沙林分子的精细结构和分子基频振动模式, 引入广义二阶微扰理论(GVPT2)建立了模拟生化毒剂近红外光谱的理论模型, 得到近红外振动峰与主要振动模式, 由倍频(Overtones)和合频(Combination Bands)振动绘制得到近红外光谱。 对沙林在近红外区域内的含氢基团进行解析, 对其特征峰进行指认, 得到沙林分子在1 150、 1 362和1 500 nm处的三个特征峰及其振动模式, 其中1 150 nm峰是由多个倍频和合频的组合振动贡献产生; 1 362 nm是一个较宽的吸收振动峰, 主要由分子中与C原子相连的原子合频和其他的非C, H原子产生的倍频或合频引起的; 1 500 nm位置的近红外振动峰主要由C8相关的振动模式贡献产生。 通过密度泛函理论建立沙林的近红外光谱理论模型, 通过实验验证了其理论模型的可行性, 为寻找其近红外光谱模拟剂提供理论支撑。

黄瓜白粉病是一种传播速度快、 发生频率高的蔬菜病害, 一旦爆发将对产量产生严重的打击, 因此对黄瓜白粉病的识别与尽早防治具有重要的意义。 采用便携式光谱仪采集了黄瓜叶片的近红外光谱反射率曲线与荧光光谱强度曲线, 采用LI-6400光合作用测量仪测量叶片的光合速率, 并采集了叶片的图像信息。 首先, 采用图像分割技术对白粉病进行等级划分; 其次, 对净光合速率与光谱之间进行相关性分析; 最后, 利用定性分析以及定量预测两种方法, 结合黄瓜患白粉病叶片及健康叶片的光合速率指标建立白粉病检测模型。 从分析结果可知, 利用二值化将黄瓜叶片区域作为感兴趣区域(ROI)分割出, 根据R-G-B与L*a*b*色彩空间中颜色的差异可以有效提取白粉病斑面积; 通过皮尔逊相关性分析光合速率与光谱之间的相关性强度, 得到光合速率与光谱具有较强的负相关, 并且随着反射率及光谱强度的增高, 相关性减弱, 表明采用光谱及相关性较大的波段对光合速率进行预测具有可行性; 经过准确率比较, 选择集成学习(ensemble learner)中的子空间判别(subspace discriminant)算法对定性模型进行最终分析, 得到近红外光谱模型更加稳定, 识别准确率更高; 采用偏最小二乘回归模型(PLSR)进行定量预测, 通过比较7种不同的预处理方法, 验证得知MSC预处理可以有效去除光谱干扰信息, 其中近红外光谱模型R2更高, 且RMSEP＜RMSEC。 预测值与实际测量值对比可知, 近红外光谱模型得出的预测值与实际测试值更相近, 且健康样本与患白粉病样本区分明显, 表明该模型具有更高的鲁棒性。 结果表明, 利用近红外光谱与光合速率指标相结合建立的模型以及图像识别系统可以实现对黄瓜白粉病的快速识别与病情分级, 为黄瓜病害诊断提供了方法和参考依据。

甲醇汽油因其辛烷值高、 成本低等优势成为新型化石燃料替代物， 其甲醇含量的精确检测是决定其品质的重要环节， 甲醇汽油组分的精确定量检测与分析对于缓解我国传统石油资源短缺但需求量增多的现状具有重大的现实意义。 甲醇汽油中甲醇检测的常规方法如酒醇仪测定法、 速测盒测定法等， 操作复杂， 准确定性低。 近红外光谱分析具有测量速度快、 灵敏度高、 可连续测量等诸多优点， 在石油化工领域定性、 定量分析中具有巨大应用潜力。 为研究甲醇汽油近红外光谱无损定量检测方法， 配制了0.5%~30%组分的甲醇汽油标准样品， 设计了甲醇汽油近红外光谱数据采集系统并采集60个组分的甲醇汽油近红外光谱数据; 利用移动平均平滑法、 S-G卷积平滑法(Savitzky-Golay)和多元散射校正（MSC）对甲醇汽油近红外光谱数据进行预处理分析， 研究了BP人工神经网络(ANN)和主成分回归(PCR)模型的决定系数和均方根误差， 对两种算法的结果和预测效果进行对比。 结果显示: 各模型的均方根误差均小于1%， SG平滑-主成分回归预测模型拟合度最好， 其决定系数为0.998 98; 基于SG卷积平滑算法和神经网络算法建立的模型预测值与真值偏差最小， 其均方根误差RMSEP为0.322 84%。 研究表明近红外光谱检测分析技术检测甲醇汽油中的甲醇含量应用中SG平滑-神经网络预测模型性能较好， 满足应用需求， 因而为甲醇汽油组份实际检测应用提供了科学依据， 为有效开发与利用甲醇汽油提供了技术支持。

糖度是评价苹果内部品质的重要指标之一。 建立苹果糖度预测模型时， 建模样本和波长的质量影响模型的准确性和后期的更新维护。 以90个苹果样本为研究对象， 采集350~1 150 nm波段共1 044个波长的苹果近红外漫透射光谱， 研究基于最小角回归索套算法(LASSOLars)优选建模样本和波长的有效性和可行性。 结合使用Norris平滑、 一阶微分和归一化变量排序对光谱预处理。 根据浓度排序划分样本集的75%为原始训练集(68个)和25%为预测集(22个)， 使用LASSOLars建立优选训练集， 对比LASSOLars和蒙特卡罗无信息变量消除、 竞争性自适应重加权法， 从样本、 波长的数目和分布以及模型的结果进行对比分析。 结果表明， 优选训练集压缩了原始训练集16%的样本， 在不改变原始训练集平均水平的前提下， 更接近预测集分布， 没有削弱模型质量。 优选和原始的训练集交叉验证均方根误差RMSECV分别为0.460和0.491， 交叉验证决定系数R2CV分别为0.913和0.916， 预测集均方根误差RMSEP分别为0.462和0.471， 预测集决定系数R2P分别为0.909和0.906。 LASSOLars筛选出40个信噪比高的波长， 数目最少， 建立的模型效果最好， RMSECV， R2CV， RMSEP， R2P和RPD分别是0.933， 0.400， 0.944， 0.373和2.838。 基于LASSOLars优化建模样本和波长建立苹果糖度预测模型， 拓展了LASSOLars算法在子集选择方面的应用， 为优化、 更新和维护模型提供思路。

基于反向传播（BP）神经网络模型结合联合区间等间隔偏最小二乘法（SiPLS），设计了SiPLS-BP模型定量分析复杂背景下血红蛋白含量。以186个不同浓度血红蛋白的血液样本和39个不同浓度的血红蛋白仿体溶液样本的近红外光谱数据为研究对象，优选出最佳的数据集划分方法、最佳划分比例和最佳预处理方法，利用SiPLS优选波段，构建SiPLS、SiPLS-BP、全谱偏最小二乘法（PLS）和全谱BP四种定量分析模型，并进行分析对比。实验结果表明：两种样本的最佳定量分析模型均为SiPLS-BP。即使采用相同的特征波长优选方法，每个模型优选的波段也并不完全相同。对于背景复杂、样本差异性较大的混合溶液和血液，SiPLS-BP模型具有更好的预测效果，能更准确地定量分析血红蛋白浓度。研究结果为复杂背景下的血红蛋白定量分析提供了参考。

利用广州高建筑物雷电观测站获得的600 m高广州塔上一次闪电3个回击放电过程的光谱资料，详细分析了广州塔上闪电光谱随时间的演化和随高度的变化特性，并通过对比实测的一组氮原子（NI）［856.8 nm，859.4 nm，862.9 nm］多重态的谱线强度比和理论计算值之比，验证了闪电近红外光辐射满足光学薄条件。结果表明：3个回击放电通道约在200 m以下发光较强；在回击放电初期，当向上传输的电流波还未到达通道顶部时，底部通道径向辐射光谱由较强的离子线和较弱的中性原子线组成，而通道顶部径向辐射光谱主要取决于下行先导，由较弱的离子线和较强的中性原子线组成；当回击电流波向上传输到通道顶部后，整个通道径向辐射出很强的离子线和很强的中性原子线，且离子线总强度和原子线总强度均随通道高度的增加而减小；在回击放电70 μs以后，200 m以上通道离子线总强度和原子线总强度随通道高度的增加基本保持不变。此观测结果也直接证实了闪电放电通道由一个辐射离子线的高温核心和一个辐射中性原子线温度相对较低的外围电晕组成。

羊毛制品因其柔软、 保暖性好等优点广受欢迎, 羊毛含量是衡量这类产品质量的重要依据。 目前市场上羊毛制品质量参差不齐, 传统检测方法具有破坏性大、 主观性强等缺点, 已无法满足实时快速评估目标羊毛制品质量情况的需求。 近红外光谱技术是一种无需破坏样品结构、 可模型封装操作的快速测量方法。 将近红外光谱技术和深度学习技术融合, 提出了一种基于注意力机制和U-Net++网络的羊毛含量快速定性分析方法。 在数据准备方面, 使用手持便携式光谱仪采集羊毛制品样本的光谱数据, 其波段范围为908.1~1 676.2 nm, 并根据其含量的不同对原始样本进行了等级划分。 为减少光谱采集方式对建模数据集的影响, 针对同一样本在距探头5, 6, 8, 9和19 mm 5种高度, 分别采集了5次光谱数据, 并使用马氏距离法剔除异常样本, 最终共5 125组光谱数据用于建模。 在模型选择方面, U-Net++网络可通过下采样、 跳跃连接和上采样等环节实现对光谱数据的特征提取, 并进一步对样本进行分类预测。 然而, 该网络使用了大量密集的跳跃连接, 易产生模型参数冗余、 低层特征被重复使用等问题。 鉴于此, 在原始网络的基础上引入了注意力门控模块, 可以更有效地提取特征信息, 提高预测精度。 建模过程中, 将羊毛制品样本90%的光谱数据用于训练和验证, 10%的数据用于测试。 实验结果表明, 基于U-Net++网络的预测模型在独立测试集上的准确率为93.59%, 召回率为93.53%, 精确率为94.24%, 其性能超过了多种传统分类模型。 同时, 与U-Net, Attention U-Net等其他U-Net系列网络模型相比, 所提出的分类模型的各项评价指标也高于上述网络模型, 验证了跳跃连接和注意力门控模块的效果。 基于近红外光谱技术, 构建了Attention U-Net++模型, 为羊毛含量快速无损检测提供了一种新思路, 具有一定的理论和实际意义。

糖度(SSC)是苹果内部品质主要评价指标之一, 近红外光谱技术是预测苹果SSC的首选技术, 优化近红外光谱采集装置的参数, 可以提升模型的性能。 采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350~1 150 nm), 研究不同参数条件下(运动速度、 积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响, 优化动态在线装置的参数。 210个红富士苹果被分为两批, 第一批90个苹果样品, 经过Kennard-Stone算法(K-S)算法分为建模集和预测集, 用于研究不同运动速度、 不同积分时间对苹果SSC含量在线预测模型的影响。 在0.3和0.5 m·s-1两种运动速度下, 使用多元散射校正(MSC)、 小波变换(WT)、 标准正态变量变换(SNV)对采集到的光谱进行预处理, 对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS), 结果表明: 装置的运动速度为0.5 m·s-1所建立的预测模型性能较优, 在四种不同积分时间中, 积分时间为120 ms时, 经SNV预处理所建立的模型性能最优, 其预测集的相关系数和均方根误差分别为0.968和0.331。 第二批苹果120个, 经K-S分为建模集和预测集, 选择运动速度为0.5 m·s-1, 积分时间为120 ms的装置参数进行不同光照强度对苹果SSC预测模型影响的研究, 结果发现: 在光照强度为4.5 A时, 采集到的光谱相对其他光照强度组有较大的变化, 光谱在640和800 nm处的波峰基本消失。 在光照强度为6.5 A时, 经SNV预处理后建立的模型性能最优。 再使用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)对采集的光谱数据进行波长筛选后, 建立苹果SSC模型, 结果表明: CARS-PLS所建立的模型性能较好, 其预测集的相关系数和均方根误差分别为0.991和0.149, 同时简化了模型, 提高了模型的稳定性。 研究表明: 对动态在线设备进行参数优化, 有助于提高苹果模型的预测精度, 该研究有助于对苹果品质在线分选提供技术支持。