针对厚皮果透光性差、不同柚子品种糖度在线检测要单独建模等问题, 本文以柚子为研究对象, 采集有效光谱325条, 对比分析不同柚子品种在710 nm和800 nm附近的两个吸收峰光谱响应特性。550～970 nm全波段范围内的光谱采用SPA无信息消除后建立柚子偏最小二乘判别模型误判率为1.25%; 偏最小二乘法在550～970 nm全波段范围和去差异化后750～930 nm波段范围的预测相关系数分别为0.58和0.86, 预测均方根误差RMSEP分别为0.84和0.55。实验结果表明, 连续投影法结合偏最小二乘判别模型可以实现不同柚子品种的定性判别, 变异系数法对光谱去差异化后结合最小二乘模型对厚皮果柚子可溶性固形物的定量检测效果最佳, 该研究为不同品种的厚皮果在线分选技术提供了参考和理论依据。

水稻种子品种的单粒鉴别对于防止制种时的混杂、掺假现象，保证种子纯度具有重要意义。利用高光谱图像技术研究了水稻种子品种的单粒快速鉴别方法。采集了10 类水稻种子在400~1000 nm 范围内的高光谱反射图像并提取其光谱、纹理和形态特征；结合偏最小二乘判别分析模型比较了不同特征及其组合下的分类精度，并利用多次递进无信息变量消除算法结合偏最小二乘投影分析方法筛选最优波段。结果显示，在仅利用23 个最优波段情况下，融合均值、熵、能量和形态特征所建立的鉴别模型获得了令人满意的识别精度，其训练集、测试集精度分别为99.22%、96%。结果表明，高光谱特征融合可以在少量波段情况下有效地提高水稻种子品种单粒鉴别的精度，基本满足国家标准对种子纯度的检测要求。

从校正的角度出发, 研究了近红外定性分析中模型稳定性问题。 以13个玉米品种为研究对象, 针对数据采集时间不同带来的模型失效问题, 借鉴近红外光谱定量分析中两台仪器间模型传递的思想, 将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型, 能用于其余时间测试数据的鉴别。 首先采用Kennard/Stone算法在主光谱集中选取校正样品集, 按照对应的编号从从光谱集中取出对应的数据, 然后对校正样品集采用DS算法求取两组数据间的变换关系, 再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。 实验中对比了校正样本数和模型校正位置对校正结果的影响, 分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。 结果表明, 该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象, 对采样时间不同的测试集均得到较高的识别率, 提高了模型的鲁棒性和适用范围, 由实验结果可见, 校正位置处于特征提取之后时, 校正效果最佳。

以13个玉米品种鉴别为研究对象, 提出了一种解决光谱仪参数漂移问题的有效方法。 使用同一台光谱仪分不同时间重复采集数据, 用一天数据建模, 其余测试, 发现不同时间采集的数据有较大偏移, 严重时正确识别率仅为7.69%。 为此, 提出一种有监督学习特征提取的多天联合建模方法, 首先挑选具有代表性的多个时间段样本数据共同组成建模集, 其次采用PLS+LDA特征提取算法, 提取出与仪器参数漂移无关的品种特征信息, 然后采用BPR方法建立品种鉴别模型。 实验结果表明, 该方法对于不同时间数据的偏移均能有较好的校正效果, 得到较高的识别率和稳定性。

从玉米籽粒胚的朝向, 中长波漫反射分析和短波透射分析, 进样方式三个方面进行了研究, 通过比较不同的测量方法对品种识别模型性能的影响来选择最佳的玉米单籽粒光谱测量方式, 进而鉴定玉米单籽粒品种真实性。 原始光谱经过预处理后, 使用判别式偏最小二乘法(PLS-DA)对数据进行特征提取和降维, 选取前9个因子建立8个玉米品种的仿生模式识别模型。 结果表明, 玉米籽粒胚正对光源优于胚背对光源, 中长波漫反射分析优于短波透射分析, 小样品池效果好于小光阑。 采用最优测量方法(籽粒胚正对光源, 使用小样品池和中长波漫反射分析)获取玉米单籽粒的近红外光谱, 建立的品种识别模型对本品种样品的平均正确识别率达到94.6%, 对其他品种样品的平均正确拒识率达到96.5%。

以玉米种子的4 000～12 000 cm-1波段的漫反射近红外光谱为研究对象, 提出了一种鉴别玉米品种的新方法. 采用主成分分析法(PCA)来研究数据特征, 发现近红外光谱在特征空间中具有显著的长条状分布特征, 为此我们研究了改变样本点在PCA空间中的分布对品种鉴别的影响, 并提出了归一化主成分分析(NPCA)的特征提取算法, 同时还根据近红外光谱的数据分布特点提出了一种主方向仿生模式识别的分类算法, 进一步提高了鉴别正确率. 鉴别模型对第一测试集的平均正确识别率达到了97.67%, 平均正确拒识率达到了98.40%, 30个品种中的13个达到了100%的正确识别率; 对第二测试集的平均正确拒识率达到了98.90%, 有11个品种达到了100%的正确拒识率, 具有较高的鉴别准确度.

提出了一种近红外光谱的频率选择方法用于玉米品种鉴别。 首先确定一种衡量特征鉴别能力的准则函数, 然后根据该准则函数逐步选出适合于分类的特征频率, 并通过去除各频率特征之间的相关性使得优选出的频率特征包含尽可能多的品种类间差异信息, 优先选择方差较大的频率特征以减弱噪声的影响。 实验结果表明, 频率选择大幅度地改善了识别效果, 仅使用30维频率特征即可达到94.16%的识别率。 随机模拟实验显示, 优选出的频率特征的识别效果对频率的小幅随机扰动不敏感, 验证了本方法的鲁棒性

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向。 该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统, 此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识。 首先采用一阶导数法对原始光谱进行预处理, 光谱数据经主成分分析后, 根据仿生模式识别理论建立判别模型。 在建立模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元, 并提出了包含指数的概念以辅助判定样品的唯一归属。 测试结果表明, 该系统对参与建模的品种有较强的判别能力, 即使建模品种达到34个时系统平均正确判别率仍达到91.8％。 同时对于未参与建模的品种也有较强的拒识能力, 平均正确拒识率达到95％以上。

为了实现航天育种番茄不同品种的快速光谱鉴别, 采用主成分分析法对光谱数据进行聚类分析, 并将小波变换用于对大量光谱数据的压缩, 同时结合神经网络建立了番茄品种鉴别模型。 该模型将压缩后的数据作为神经网络的输入, 加速了神经网络的训练速度。 通过对太空育种突变株M1和M2及其亲本番茄品种的共105个番茄叶片样本建立训练模型, 并用每个品种15个样本, 共45个番茄叶片的样本进行预测。 结果表明, 用该方法对航天育种番茄不同品种的鉴别正确率达到97.8％。 说明文章提出的方法具有很好的分类和鉴别作用, 为航天育种番茄不同品种的快速鉴别提供了一种新方法。

为了实现葡萄酒品种的快速无损鉴别, 选用五种干红葡萄酒, 进行可见和近红外光谱实验, 提出了一种用可见和近红外光谱技术快速鉴别葡萄酒品种的新方法。 采用独立主成分分析进行模式特征分析, 经过选用不同的独立主成分数进行建模和预测, 确定最佳独立主成分数为20。 将这20个主成分作为神经网络的输入变量, 建立三层BP神经网络, 实现类别预测的同时也完成了数学建模与优化分析工作。 5个品种的葡萄酒样本数均为35, 共计175个样本。 在神经网络学习中, 将其分成训练集样本150个和预测集样本25个。 对25个未知样本进行预测, 准确率为100％。 该研究在独立主成分分析的基础之上, 根据干红葡萄酒各独立主成分的混合矩阵向量载荷图, 选取了两个波段(400～430 nm与512～532 nm)作为葡萄酒的独立主成分分析的特征波段。 说明该文提出的基于光谱技术和模式识别的方法不仅对葡萄酒具有很好的分类和鉴别能力, 并且可以提取出葡萄酒的指纹特征, 可用于葡萄酒的检测与技术开发。