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。

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。

西甜瓜(西瓜和甜瓜)味甘多汁, 营养丰富, 其内部品质的检测对其生产和流通具有重要意义。 西甜瓜内部品质的传统检测方法检测时间长, 成本高且为有损检测, 不能满足现代生产的需要。 随着光谱分析技术的快速发展, 应用近红外光谱分析和高光谱成像进行西甜瓜内部品质的无损检测已成为研究热点。 为跟踪国内外最新研究进展并分析研究现状, 介绍了近红外光谱分析和高光谱成像的技术特点和系统组成, 归纳了光谱信息预处理、 变量筛选、 模型建立和模型评价等光谱信息解析方法, 综述了近红外光谱分析和高光谱成像在西甜瓜内部品质(可溶性固形物含量、 坚实度、 总酸含量、 成熟度、 水分等)无损检测中的应用, 并从技术难点和实际应用两方面讨论了光谱分析技术在西甜瓜内部品质无损检测中的发展趋势, 指出利用深度学习进行光谱信息解析、 建立多特征信息融合的综合评价模型、 开发基于人工智能与移动终端深度融合的快速无损检测系统等将成为新的研究方向。

为实现人体血液甘油三酯(TG)含量无创检测, 应用近红外光谱技术(NIRS), 对单体TG进行定量分析。 通过离体实验优选检测波段(5 700～5 600和4 600～4 400 cm-1), 优化设计检测探头, 综合预处理方法等手段, 对其中TG含量进行定标和预测。 以期提升单体TG无创检测精度及稳定性。 无创采集54组单体光谱数据, 并对其中TG含量进行定标预测, 经对比分析确定平滑滤波(SG)结合偏最小二乘方法(PLS)的定标模型稳健性最优, 对预测集1, 2样品最佳分析结果: 预测标准偏差RMSEP分别为12和12.8 mg·dL-1, 相对预测标准偏差RSD为16.25%和17.33%, 预测精度理想, 基本可用于单人TG的日常监测。 鉴于SG-PLS模型在单体TG无创测量及日变化趋势预测方面的良好表现, NIRS分析技术将在TG无创检测与日常管理领域有更为广泛的应用前景。

将近红外光谱分析技术用于对山东省代表性绿茶(崂山绿茶和日照绿茶)进行快速、无损伤产地溯源.对平滑处理、一阶微分和二阶微分等几种不同的光谱预处理方法进行了系统性对比和研究创新.提出移动窗口BP神经网络(MW-BP-ANN)算法用于选择特征光谱变量.实验发现,一阶微分和移动窗口-BP神经网络可以大幅提高支持向量机(SVM)分类模型的预测能力.经预处理后,分类模型的最优鉴别准确率可达98.33%.研究结果表明,该光谱变量选择方法对提高产地溯源模型的预测能力起到至关重要作用.

利用近红外光谱分析技术的诸多优势, 可实现煤质多项指标的快速分析。 煤样光谱数据的采集易受到噪声散射的干扰, 在建模分析前常用多元散射校正方法对其予以恢复去噪。 而传统的多元散射校正方法存在以线性表达式描述非线性关系的局限性, 以及盲目追随“理想”光谱而导致的失真问题, 为此提出基于拟线性局部加权法的煤样光谱散射校正。 该法先选取二次曲线、 三次曲线和增长曲线等三种拟线性函数, 代替原线性函数; 再分别引入均值核函数、 高斯核函数、 Epanechnikov核函数、 二次权重核函数及三次权重核函数等五种核函数, 在原评估函数中构造局部加权函数, 利用局部加权函数精确表述各波长点处的依赖关系; 最后, 分析不同模式下校正光谱的准确性, 确定拟线性函数与核函数的最佳组合。 为验证方法的适用性, 对0.2, 1和3 mm等三种粒度等级下的煤样光谱数据进行散射校正。 结果表明: 改进多元散射校正方法在消除光谱中散射干扰的同时, 放大了特征谱峰信息, 校正光谱与煤样各项指标的相关性得到了显著增强, 有效地提高了煤质近红外光谱分析模型的预测精度和稳定性。

为了减少因煤样粒度而产生的光谱采集误差, 研究0.2, 1, 3和13 mm粒度等级下的煤质近红外分析模型。 采用PCA方法提取特征信息, 建立基于GA-BP和GA-Elman神经网络算法的定量分析模型。 实验结果表明, 经数据归一化与多元散射校正预处理后, 0.2 mm粒度等级的光谱与煤炭标准之间的相关性最强, 模型的学习精度最高; 经平滑处理后1 mm粒度等级的分析结果最佳。 平滑法对特征谱峰不明显的光谱的预处理效果较差, 多元散射校正方法的适用性最强。 在0.2 mm粒度等级下原光谱的信息准确度最高, 1和3 mm其次, 13 mm最差。 煤样粒度越大, 光谱的不稳定因素越多, 从而导致分析模型的负面影响增加。

术中麻醉深度监测是保证临床麻醉质量和安全的重要手段, 关系着患者的生命安全。 功能近红外光谱分析技术作为一种非侵入式的脑功能监测技术手段, 能够实现客观可靠的脑神经活动实时监测和成像, 十分适合于进行麻醉深度监测的相关研究。 因此简要介绍了功能近红外光谱分析技术的基本原理和技术实现, 综述了目前功能近红外光谱分析技术在麻醉深度监测相关领域的研究进展, 指出了应用功能近红外光谱进行麻醉深度监测研究的可能途径, 并阐述了亟待解决的重大问题和发展前景。

近红外光谱是近年来发展最快、 最引人注目的光谱学技术。 主要介绍了近红外光谱技术的基本原理和发展, 包括近红外光谱预处理技术如微分处理、 信号平滑等技术的发展和近红外光谱分析模型如多元线性回归、 主成分分析、 偏最小二乘法和人工神经网络等的发展。 综述了国内外近几年来此技术在动物饲料和产品品质检测中的应用。 文献调查显示, 近红外光谱分析技术以其快速、 无损、 不污染环境等诸多优点在国内外饲料和动物产品检测方面得到广泛应用。 在饲料分析方面， 近红外不仅能用于其常量成分干物质、 粗蛋白、 粗纤维、 粗脂肪等的测定， 而且能用于微量成分、 有毒有害成分的测定。 在动物产品分析方面， 该技术已用于禽蛋、 牛肉、 羊肉、 猪肉等的各种物理和化学指标的测定。 文中详细给出了已经报道的利用近红外光谱技术测定饲料和动物产品测定指标和光谱处理以及模型建立的情况, 并讨论了近红外光谱快速检测技术的在饲料分析和动物产品分析领域的应用新趋势和局限性。