利用可见/近红外光谱技术对市场上5种稻米进行了鉴别.以ASD FieldSpec .3地物光谱仪采集了5种稻米 的光谱数据, 各获取35个样本, 随机分成训练集(150份)和检验集(25份), 并分别采取全波段与特征波段(400～ 500nm、910～1400nm与1940～2300nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处 理后, 以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP人工神经网络(BP-ANN)的输入变量, 稻米品种作为输出变量, 建立3层BP-ANN鉴别模型.利用25个未知样对模型进行检验, 结果表明两类模型预测准 确率均高达100%, 其中特征波段模型比全波段模型具有更高的预测精度, 说明利用可见/近红外技术结合PCA-BP 神经网络分析法进行稻米品种与真伪的快速、无损鉴别是可行的, 且提取特征波段是优化模型的有效方法之一.

提出了一种利用粪便可见-近红外反射光谱进行高山麝慢性肠炎诊断的新方法。 以FieldSpec3地物光谱仪采集了125份高山麝粪便（正常粪样70份， 慢性肠炎患者粪样55份）的光谱数据， 将其随机分成训练集(95份)和检验集(30份)。 光谱经S.Golay平滑与一阶导数处理后以主成分分析法（PCA）降维。 以前6个主成分（含原始光谱95.16%的特征信息）作为新变量， 利用训练集样本， 分别以模糊模式识别、 BP-神经网络、 Fisher线性判别以及Bayes逐步判别四种方法建立高山麝慢性肠炎的诊断模型。 对检验集30个未知样的预测表明， Fisher线性判别的准确率为86.7%， 模糊模式识别与BP-神经网络模型判别的准确率为90%， Bayes逐步判别的准确率最高， 达93.3%。 进一步分析发现所有误诊都源于将正常样误判为病样， 四种方法对病样的检出率均达100%。 说明利用粪便的可见-近红外反射光谱进行高山麝慢性肠炎的快速、 非接触性诊断是可行的， 且PCA 结合Bayes逐步判别是一种优选方法。