应用近红外光谱分析技术结合化学计量学方法, 建立了奶粉脂肪和蛋白质含量测定的化学计量学建模新方法.首先采用Kernard-Stone法对校正集样本和预测集样本进行分类, 然后利用小波变换滤波技术对样品的近红外光谱进行压缩去噪处理, 结合滤波后重构光谱信号建立脂肪和蛋白质的径向基神经网络回归模型, 并分别对径向基网络的扩散常数spread值及小波变换中的小波基与压缩尺度三个参数进行了详细的讨论.脂肪模型在小波基为db2及小波尺度为4、spread值为3.5时的预测模型精度最好；蛋白质模型在小波基为db8及小波尺度为4、spread值为6时, 预测模型精度最好.所建立的脂肪和蛋白质校正模型的预测集相关系数(Rp)分别为0.990和0.994, 预测均方根误差分别为0.007与0.004.预测结果表明, RBF网络结合小波变换进行建模预测, 模型简单、稳健且精度较好, 该方法适合奶粉脂肪和蛋白质含量的快速、无损测定.

应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。 利用Kernard-Stone法对训练集样本进行划分， 对光谱数据预处理方法进行了选择， 比较了平滑、 范围标度化、 自标度化、 一阶微分、 二阶微分以及这几种预处理相互结合的六种方法， 确定了以平滑、 一阶微分， 范围标度化作为国公酒近红外光谱的数据预处理方法， 采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm－1及9 712～9 808 cm－1。 应用最小二乘支持向量机建立模型， 所建模型的交叉验证误差均方根为0.000 1， 预测误差均方根为0.004， 预测集的相对偏差小于5%。 与组合的间隔偏最小二乘法、 径向基-人工神经网络和支持向量机进行了比较。 该方法快速、 无损且可靠， 可作为国公酒中橙皮苷含量快速测定的手段。

在近红外光谱PLS定量模型的建立过程中训练集样本的选取和潜变量数的确定是十分重要的。 因此, 该研究以橘叶中橙皮苷的含量检测为例, 分别比较了random sampling (RS), Kennard-Stone(KS), duplex, sample set partitioning based on joint x-y distance (SPXY) 四种训练集样本的选取方法对模型的影响, 以及留一交互验证法和蒙特卡罗法对潜变量数确定的影响。 结果表明, SPXY法选取的训练集建立的模型优于其他三种方法, 蒙特卡罗法能够较好地确定模型的潜变量数并有效地减少过拟合风险, 所建模型的交互验证均方根, 预测均方根及预测集相关系数分别为0.768 1, 0.736 9, 0.975 2。