小麦是制作馒头的主要原料之一, 小麦中水、 蛋白质、 淀粉会因产地以及烘干程度的差异而不同, 进而影响到加工成馒头的品质。 所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。 感官评定是鉴别小麦产地和烘干程度常用的方法, 对比感官评定, 光谱分析可以识别样品中的分子结构等信息。 基于此, 尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。 首先选取了两个不同产地的小麦, 再利用微波干燥法对两个不同产地的小麦做烘干预处理, 使烘干的小麦水含量为12%±0.5%, 原麦水含量为18%±0.5%。 分别标记为原麦A, 烘干A, 原麦B, 烘干B, 再将小麦研磨成粉末, 过100目筛网筛选后, 置于自封袋中备用。 随后分别采集四种小麦样品的近红外和中红外光谱信息, 在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理, 利用主成分分析对预处理后的数据进行降维处理, 再结合线性判别分析（linear discriminant analysis, LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、 中红外光谱数据识别模型。 另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间, 将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。 然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、 比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、 比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。 结果表明, 同种光谱分析方法, 利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。 同种建模方法, 近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。 而在同种建模方法下, 利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高, 光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%, 预测集识别率为97.50%; 而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。 对比利用单一光谱数据建立的小麦识别模型识别率, 光谱数据融合之后建立的小麦识别模型识别率得到显著提高, 该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率, 结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。

为了提高乙醇固态发酵过程在线监测的精度, 开展了基于傅里叶近红外光谱(FT-NIRS)分析技术的乙醇固态发酵过程参数快速定量检测研究。采用联合区间偏最小二乘法(siPLS)对标准正态变量变换(SNV)预处理后的光谱进行特征波长区间优选; 引入遗传算法(GA)、竞争自适应重加权采样(CARS)法和迭代保留信息变量(IRIV)法从优选后波长区间中进一步筛选特征波长变量; 最后, 建立不同变量筛选方法所得特征波长的乙醇固态发酵过程参数(乙醇和还原糖含量)的偏最小二乘(PLS)预测模型。实验结果显示, 与GA和CARS方法相比, IRIV方法所得的波长变量数最少; 其中, 与乙醇和还原糖相关的特征变量个数分别为43和40; 在验证集中, PLS预测模型乙醇含量的验证集均方根误差(RMSEP)和预测相关系数Rp分别为0.2511和0.9934, 还原糖含量的RMSEP和Rp分别为0.1730和0.9926, 其预测精度亦高于其他方法所得结果。实验结果表明, 利用近红外光谱分析技术实现乙醇固态发酵过程关键参数的在线检测是可行的; 并且IRIV方法是一种有效近红外光谱特征波长优选方法, 可提高预测模型精度。

目前市面上销售的橄榄油主要分为特级初榨橄榄油和普通初榨橄榄油两类, 为了鉴别两种不同品质的橄榄油, 提出了一种应用siPLS-IRIV-PCA算法的橄榄油品质鉴别的新方法。 基于橄榄油的近红外光谱数据, 应用联合区间偏最小二乘法(siPLS)对橄榄油的近红外光谱进行了波长区间优选, 使用交叉验证均方根误差(RMSECV)评估模型的性能并选择最优波长区间, 通过迭代保留信息变量(IRIV)算法从最优波长区间中选择特征波长, 根据选择的特征波长构建主成分分析(PCA)模型。 对90组特级初榨橄榄油和90组普通橄榄油样本进行了判别鉴定。 PCA将1 427个波长变量作为输入变量, 前两个主成分贡献率为51.891 8%和26.473 2%; siPLS-PCA将408个波长变量作为输入变量, 前两个主成分贡献率为56.039 1%和36.235 5%; siPLS-IRIV-PCA将6个波长变量作为输入变量, 前两个主成分贡献率为66.347 6%和32.304 3%。 结果表明, 与PCA和siPLS-PCA鉴别方法相比, siPLS-IRIV-PCA具有最佳的鉴别性能。

为了探索利用激光诱导击穿光谱(LIBS)对水田污染区稻壳中铬(Cr)元素含量进行绿色、快速检测的可行性，采用LIBS结合联合区间偏最小二乘法(SiPLS)，对产自江西省某湖周边24个水田污染区稻壳样品中的Cr元素进行了定量分析。利用原子吸收光谱法(AAS)测得样品中Cr元素的真实浓度为32.51~510.33 μg/g，利用LIBS光谱获得的Cr元素三个特征谱线Cr I 425.43 nm、Cr I 427.48 nm和Cr I 428.97 nm清晰明显。对稻壳样品在422~446 nm波段的LIBS光谱数据进行九点平滑处理后，在采用SiPLS获得的最佳模型基础上，得出模型交叉验证均方根误差与预测均方根误差分别为26.1 μg/g和22.6 μg/g，训练集相关系数与预测集相关系数分别为0.9714和0.9840。对预测集样品进行相对误差及T检验分析，结果显示稻壳中Cr元素浓度的预测值与AAS法测量的真实值之间的平均相对误差为6.20%，且无显著性差异，表明模型具有较好的预测精度，可为自然条件下生长的农产品重金属安全绿色分析提供参考依据。

小麦蛋白质含量的性状遗传力较高, 通过选择蛋白质含量高的籽粒母本可以达到优质育种的预期效果。研究采用高光谱成像技术结合化学计量学方法建立多籽粒小麦粗蛋白平均模型来实现单籽粒小麦粗蛋白含量的快速预测。实验采集47份小麦样本(每份100粒)的高光谱图像并提取平均光谱信息, 通过联合区间偏最小二乘法筛选特征变量优化建立多籽粒小麦粗蛋白平均模型。模型的相关系数为0.94, 预测均方根误差为0.28%, 相对分析误差为3.30。通过图像处理提取出待测单籽粒小麦的高光谱图像, 应用平均模型预测单籽粒小麦在每个空间像素点的粗蛋白, 取其平均值作为该粒麦种的最终粗蛋白含量。经验证, 应用上述模型预测同一组样本的单籽粒小麦时, 不同籽粒的小麦粗蛋白含量确实存在差异, 但蛋白含量均围绕其所在样本的平均值浮动, 因此反映出采用平均模型预测单籽粒小麦蛋白的准确性和基本可行性。该方法的研究可以为小麦育种过程中高蛋白籽粒麦种的优选提供一种新思路, 推动小麦优质育种的发展。

茶汤滋味是茶叶品质的核心, 该研究利用近红外光谱技术快速检测绿茶滋味品质。 试验以滋味化学鉴定法作为绿茶滋味品质检测的标准方法, 试验得到的滋味总得分值作为近红外光谱预测模型的参考测量值。 在模型建立过程中, 首先利用联合区间偏最小二乘法(siPLS)筛选特征子区间； 然后, 用遗传算法(GA)在特征子区间内优选特征变量。 最优模型在优选出38个特征变量, 主成分因子数为6时获得, 模型预测集相关系数(Rp)为0.890 8, 预测均方根误差(RMSEP)为4.66。 研究结果表明, 利用近红外光谱技术结合siPLS-GA算法检测绿茶滋味品质是可行的, 同时表明siPLS-GA算法相对于其他方法在本研究中的应用具有一定的优越性。

将近红外光谱技术和化学计量学相结合分析慈竹纤维素结晶度。 通过区间偏最小二乘法(iPLS)、 联合区间偏最小二乘法(siPLS)和反向区间偏最小二乘法(biPLS)优化建模区域， 建立经多元散射校正后光谱的结晶度分析模型， 并与全光谱范围350～2 500 nm建立的偏最小二乘(PLS)模型进行比较。 结果表明， 三种改进偏最小二乘法建立的结晶度模型预测效果均优于PLS模型， 并且当采用联合区间偏最小二乘法将全光谱进行30个子区间划分， 选择三个子区间［8 12 19］组合时， 建立的siPLS模型预测效果最好， 相关系数(r)达到0.88， 预测标准差(RMSEP)为0.0117。 因此， 采用联合区间偏最小二乘法可以有效选择建模光谱区域， 提高模型预测能力， 实现慈竹纤维素结晶度的快速预测。