因缺乏大米产地快速鉴别的确证技术, 利用近红外光谱法、 中红外光谱法及拉曼光谱法结合化学计量学分析方法对来自五常地区、 东北地区和南方地区共计186份大米样品进行产地鉴别研究。 首先比较了K近邻法(KNN)、 线性判别分析(LDA)和最小二乘-支持向量机(LS-SVM)3种算法结合5种预处理方法, 对3种单一光谱大米产地鉴别模型的识别效果。 结果表明, LS-SVM算法结合SNV+2nd预处理方法的拉曼光谱模型最优, 校正集和验证集准确率分别为100%和93.48%。 为进一步提升鉴别模型的准确度, 创新性的建立了基于近红外光谱-中红外光谱-拉曼光谱法的数据层融合、 特征层融合及决策层融合大米产地鉴别模型, 结果显示, 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升。 数据层融合大米产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法模型最优, 校正集和验证集正确率分别为100%和95.65%, 较单一光谱最优模型验证集正确率提高了2.17%。 决策层融合鉴别模型中, LS-SVM算法结合SNV+1st预处理方法模型最优, 校正集和验证集正确率分别为100%和97.83%, 较单一光谱最优模型验证集正确率提高了4.35%。 特征层融合产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法鉴别模型最优, 其校正集和验证集正确率均达到100%, 较单一光谱最优模型验证集正确率提高了6.52%。 结果表明, 使用近红外光谱法、 中红外光谱法及拉曼光谱法分析技术结合化学计量学方法鉴别大米产地是可行的, 拉曼光谱法结合LS-SVM算法的大米产地鉴别模型最优。 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升, 其中特征层融合方法更适用于该次融合的数据类型, 可以快速准确鉴别五常大米、 南方大米和东北大米产地。 该研究为大米产地的快速准确鉴别提供了一种新方法。

水、 空气、 食品、 灰尘和排泄物中广泛存在食源性病原菌, 由此引发的感染性疾病严重危害人类健康。 因此, 开发病原菌的快速检测方法尤为必要。 由于实际样品中的病原菌往往共生存在, 所以多元病原菌的同步灵敏检测是微生物检测领域的重点与难点。 分子生物学和免疫组化分析技术都在此领域进行过一些尝试, 但由于引物设计与抗体的局限性, 这两种技术在实际应用中的效果并不十分理想。 表面增强拉曼光谱（SERS）技术由于具有快速、 无损、 高分辨率、 不受水分干扰、 可原位检测等显著优势, 在多元病原菌同步检测领域获得了重要应用。 从应用原理、 特点和效果等方面出发, 系统阐述了SERS技术在多元病原菌同时检测中的应用策略。 首先对SERS基底材料与病原菌的结合方式进行简要概述, 再以检测策略为主线, 从直接法和间接法两种策略出发进行介绍。 直接法通过基底材料的信号放大作用直接获得病原菌本身的光谱信息, 步骤简便, 操作快捷, 在多元病原菌判别分析、 定量分析与即时检测（POCT）中被广泛应用。 但由于光谱信息量大, 往往需要与多元统计分析方法、 成像技术和微流控器件等联用。 间接法一般需要借助拉曼信号分子和适配体、 抗体等识别元件, 将对病原菌的检测转换为对信号分子的分析, 极大提高了检测方法的灵敏度与特异性, 可在基因、 蛋白、 细胞等水平实现对多元病原菌的同步分析。 且与其他识别元件及功能分子的联用能构建得到集细菌的分离、 识别与灭活于一体的综合检测体系, 在临床血液等实际样本的分析中具有重要前景。 最后, 总结并指出SERS技术的现有问题及下一步努力方向, 为SERS技术在多元病原菌的快速、 灵敏检测策略设计及具体应用方面提供参考。

用近红外光谱法实现嫩, 中, 老三种炼蜜含水量的快速测定及不同炼制程度蜂蜜的快速分级。 过程化控制是中药质量稳定的关键因素, 但由于检测手段的滞后而无法实现, 因而影响中药质量。 蜜丸是具广阔应用市场的剂型; 炼蜜工艺是影响蜜丸质量的关键工序; 在炼蜜过程中, 蜂蜜从嫩蜜炼制到中蜜仅需几至几十秒, 变化迅速, 传统检测手段不能对蜂蜜炼制过程进行实时监测, 进而无法保证炼蜜质量的均一性。 力求采用近红外光谱法(NIRS)对炼蜜过程进行实时检测, 准确控制嫩蜜、 中蜜的炼制程度, 并对其含水量进行定量测定。 实验通过Rudolph折光仪测定不同炼蜜的含水量, 并快速测定样品的近红外光谱, 结合偏最小二乘法(PLS)建立并优化88批炼蜜水分的定量模型, 利用校正模型决定系数(R2)、 校正模型均方根误差(RMSEE); 内部交叉验证决定系数(R2), 内部交叉验证均方根误差(RMSECV); 预测模型的相关系数(r)、 预测均方根误差(RMSEP)对校正模型进行评价, 其中RMSECV主要用来筛选建立模型的最佳主成分数, RMSEE和RMSEP分别对所建立校正集和验证集进行误差分析。 同时采用鉴别分析法建立定性模型用来区分炼蜜等级。 经不断优化, 图谱经矢量归一化法(SNV)预处理后, 在7 201.2~5 446.2 cm-1波段内选取9个主成分建立水分模型。 建立的最佳模型中, 校正集R2, RMSEE分别为99.43, 0.299, 内部交叉验证R2, RMSECV分别为99.05, 0.348; 预测集R2, RMSEP分别为98.19, 0.347; 定量模型显示, NIRS可快速、 准确、 无损的对炼蜜含水量进行测定。 同时按照含水量测定结果对炼蜜嫩、 中、 老3个等级进行划分, 进而采用鉴别分析法对炼蜜进行定性分析, 结果显示嫩、 中、 老3种炼蜜有明显的聚类现象, 表明因子化法是鉴别炼蜜程度的一种有效方法; 综上所述, NIRS可望实现对炼蜜过程实时监测, 准确控制嫩蜜, 中蜜的炼蜜程度并对炼蜜含水量进行快速实时定量测定, 为不同炼蜜等级划分提供参考, 保证炼蜜质量的均一性, 最终保证蜜丸质量的稳定性。

微生物在生态系统中具有重要的作用,所以鉴别微生物具有重要的意义。采用表面增强拉曼光谱(SERS)对雪松花粉(PML)、双色牛肝菌(BBP)孢子、小美牛肝菌(BSF)孢子和紫色粉孢牛肝菌孢子(TPS)进行鉴别研究。结果显示:雪松花粉的常规拉曼信号在1702,1680,1513,1382,1243,1011,793 cm ^-1处,表面增强之后在1698,1653,1592,1516,1403,1288,1210,813,562 cm ^-1出现明显的拉曼峰;三种牛肝菌孢子的常规拉曼未显示拉曼峰,雪松花粉、双色牛肝菌孢子、小美牛肝菌孢子和紫色粉孢牛肝菌孢子的表面增强拉曼光谱在1700~1100 cm ^-1差异明显。结果表明,利用SERS可以实现对雪松花粉、双色牛肝菌孢子、小美牛肝菌孢子和紫色粉孢牛肝菌孢子的鉴别。

利用随机矩阵相乘是最近提出的一种求解零空间线性鉴别分析的算法, 但是此算法需要对一个n×n 的矩阵进行特征值分解(n 指的是训练样本数), 使得其算法复杂度依然较高。为了进一步提高零空间线性鉴别分析算法的求解速度, 本文提出了一种新的利用随机矩阵相乘的求解零空间线性鉴别分析的快速算法。本文的算法不需要对n×n 的矩阵进行特征值分解, 使得其算法复杂度比现有的零空间线性鉴别分析求解算法要低得多。理论分析和在人脸数据库上的实验表明, 本文算法的计算速度远比现有的零空间线性鉴别分析求解算法要快, 但是其识别率与现有的零空间线性鉴别分析求解算法相同。

为了寻求一种快速鉴别分析不同产地和陈化年限的普洱熟茶科学的方法, 本文采用表面增强拉曼散射光谱技术, 在600～1　800 cm-1的拉曼波段比较了云南三大普洱茶产地和四个不同陈化年限的普洱熟茶的拉曼光谱的异同点。 结果: 不同产地和陈化年限的普洱熟茶的拉曼光谱走势基本一致, 但是由于不同产地和陈化年限的普洱熟茶之间的化学成分存在着差异, 导致它们的拉曼光谱之间存在着明显的差别, 利用这些差别可以快速、 简便鉴别分析不同产地和陈化年限的普洱熟茶。

基于局部保持投影发展出的一系列特征提取算法，在应用于人脸识别等高维小样本问题时，均需先采用PCA算法对高维样本降维后才能应用，故此以无监督鉴别分析算法为理论基础，提出了一种直接无监督正交局部保持算法。该算法利用拉普拉斯矩阵的性质进行相应的矩阵分解，可直接从高维样本的原始空间中提取投影矩阵，因而无需先采用PCA 降维处理，且解决了无监督鉴别分析算法的小样本问题。为了进一步提高算法的识别性能，给出了基于QR 分解的正交投影矩阵的求解方法。人脸库和掌纹库上的实验结果表明了所提算法的有效性。

针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题，结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法。该方法通过分别构造每个样本的类内近邻图和类外近邻图，并将所有样本的类内近邻图和类外近邻图结合起来，形成了所有样本的类内近邻和类外近邻关系。然后，在使所有样本的类内近邻尽可能地聚集在一起的同时使类外近邻尽可能地分开，得到从高维输入空间到低维特征空间的最优映射关系。该方法有效避免了高维数据分类的小样本问题且扩展了鉴别分析的低维特征空间的有效维度。在ORL、FERET和PIE等人脸库上的高维数据分类实验证实，样本保局鉴别分析方法显著优于经典的鉴别特征降维方法。与基于片对齐框架提出的鉴别局部对齐方法相比，样本保局鉴别分析方法在FERET库上的分类识别精度提高了4.5%以上。

结合遗传算法与线性鉴别分析(LDA)提出了一种玉米品种的快速鉴别方法。 该方法是一种基于近红外光谱的新方法, 通过采集玉米种子(实验共37个种类)的近红外光谱数据, 使用遗传算法进行特征光谱波段的选择, 使用线性鉴别分析的方法提取光谱特征并分类。 结果表明, 遗传算法能有效地剔除光谱噪声波段, 并提高LDA的泛化能力。 同时, 为简化运算, 剔除了大量冗余数据, 结合遗传算法选择的特征谱区, 使参与鉴别的数据维数从2 075降到了233。 对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%, 其中73.33%的玉米品种的正确识别率达到了100%; 对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%。 与常用的PCA等方法相比, 运算时间更短, 正确率更高。

针对人脸识别中的小样本问题,本文提出了一种名为增强联系鉴别分析的方法并应用人脸识别中。该方法利用将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,首先构建人脸数据的近邻图与类别联系图,然后通过解决在一定约束条件下的优化问题来获取低维鉴别流形特征,实现在低维空间中同一类人脸数据聚集,不同类别间的人脸数据间尽可能发散,从而可以更好的应用于分类。在AT&T 和Yale 人脸图像数据库上的实验结果表明该方法能有效的提高人脸识别的性能。