木材的种类识别是木材加工和贸易的一个重要环节, 传统的木材种类识别方法主要有显微检测法和木材纹理识别法, 其操作繁琐, 耗时长, 成本高, 不能满足当前需求。 本研究利用木材的近红外光谱（NIRS）结合模式识别方法, 以期实现木材种类的快速准确识别。 采用近红外光谱结合主成分分析法（PCA）、 偏最小二乘判别分析法（PLSDA）和簇类独立软模式法（SIMCA）三种模式识别对58种木材进行种类鉴别研究; 5点平滑、 标准正态变量变换（SNV）、 多元散射校正（MSC）、 Savitzky-Golay一阶导数（SG 1st-Der）和小波导数（WD）五种光谱预处理方法用于木材光谱的预处理; 校正集和测试集样品的正确识别率（CRR）用于模型的评价。 采用PCA方法, 通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。 在建立PLSDA模型, 原始光谱的正确识别率最高, 分别为88.2%和88.2%; 5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%; SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%; MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%; SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD（小波基为“Haar”, 分解尺度为80）处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。 可知, 在PLSDA模型中, 木材光谱未经预处理种类识别效果最后好。 在建立SIMCA模型过程中, 原始光谱的校正集和测试集的CRR分别为99.7%和99.4%; 5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%; SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%; MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%; SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD处理的光谱校正集和测试集的CRR分别为100%和100%。 可知, 在SIMCA模型中, 木材光谱经平滑和小波导数处理后的识别效果最好, 且光谱的校正集和测试集CRR都为100%。 采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时, 由于木材样本属性复杂, 主成分分布图相互交织, PCA无法识别出58种木材; 原始光谱的PLSDA模型可以得到较好的判别模型, 但校正集和测试集的CRR只有88.2%和88.2%; 木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果, 校正集和测试集的CRR均为100%, 且WD-SIMCA模型因子数比5点平滑SIMCA模型小, 模型更为简化, 故WD-SIMCA为58种木材种类识别的最优模型。 研究表明光谱预处理方法可以有效的提高木材种类识别精度, 有监督模式识别方法SIMCA可以用来建立有效的木材识别模型, 近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。

针对目前管道泄漏监测与安全预警技术的不足,提出了光纤布拉格光栅(FBG)振动传感的方法,搭建了管道振动信号实时监测系统,并在石油管道上进行了现场实验。通过对实验得到的时域信号进行初步分析,以及采用基于偏最小二乘判别分析法(PLSDA)的模式识别方法,可以对管道上的噪声、铁锹敲击、铁锤敲击、电钻钻孔信号进行有效区分,且信号识别正确率达到96%,得出FBG加速度振动传感器系统检测管道振动信号具有可行性的结论,为石油管道运输中存在的打孔盗油等破坏性行为的监测提供了可行方案,从而实现管道上振动信号的实时在线监测与科学管理。

为满足食品中反式脂肪酸（TFA）的快检需求, 提出了一种采用近红外漫反射光谱识别含TFA食品的快速无损方法。 采用光纤探头采集完整样品的傅里叶变换近红外漫反射光谱, 应用毛细管气相色谱（GC）法测定食品中TFA的含量作为建模参考数据。 根据食品中TFA含量将食品分为含TFA食品和无TFA食品。 采用偏最小二乘判别（PLSDA）、 支持向量机（SVM）、 簇类独立软模式（SIMCA）和K-最邻近法（KNN）等有监督模式识别方法建立了含TFA食品的识别模型, 并研究了不同光谱预处理方法和建模波段对模型性能的影响。 研究结果表明, PLSDA和SVM两种方法可对含TFA食品进行识别 , 但PLSDA方法识别效果明显优于SVM方法。 其中, 使用与TFA相关波段, 结合标准化和二阶导数预处理所建立的PLSDA识别模型效果最佳, 校正集和验证集识别准确率分别可达96.4%和88%, 具有快速无损识别含TFA食品的可行性。 这种方法不需脂肪提取和研磨等样品预处理, 具有简单、 快速、 无需破坏样品等优点, 非常适合现场或在线快速检测。

利用高光谱散射图像技术研究了苹果的粉质化无损检测.提出了一种无信息变量消除法和局部线性嵌入相结合的苹果粉质化分类的新方法.经无信息变量消除法筛选后的波段降为全谱的23.5%.将波段选择后的原始图像数据用局部线性嵌入降维作为偏最小二乘判别分析的输入变量并建模.无信息变量消除法与局部线性嵌入相结合算法和局部线性嵌入降维方法得到的粉质化分类测试准确度分别是79.0%和79.0%;无信息变量消除法与平均反射法相结合和平均反射法特征提取得到的是77.4%和75.8%.结果表明，无信息变量消除法与局部线性嵌入想结合的方法可以大大地降低高光谱散射图像的数据量，同时保证了分类准确度，为在线检测、分类和高光谱数据的存储提供了一种实时、有效的方法.

粉质化是影响苹果等级的重要口感参数。 采用高光谱散射图像进行了苹果粉质化的无损检测研究。 利用奇异值分解方法对样本600～1 000 nm共81个波长20 mm范围内的散射图像进行奇异值分解, 将获得的奇异值作为粉质化表征参数, 结合偏微分最小二乘判别分析建立苹果粉质化分类模型。 结果显示, 对不同产地和不同储藏条件下的样本, 其两分类模型(粉质化和非粉质化)的分类精度为76.1%～80.6%, 优于平均值特征提取方法(75.3%～76.5%)。 分析表明, 奇异值分解可以有效地提取高光谱散射图像的特征, 用此特征建立粉质化分类模型可以区分粉质化和非粉质化的苹果, 但分类精度有待于进一步提高。