使用便携式近红外（901～1 650 nm）和可见光（400～900 nm）光谱仪结合多变量分析方法无损检测水稻水分含量, 选用100种不同品种的水稻并采集其光谱信息, 其中粳稻52种, 籼稻34种, 糯稻14种。 采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。 利用蒙特卡洛偏最小二乘法（MCPLS）剔除水稻样本中的异常值, 基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。 采用基于联合X-Y距离的样本划分法（SPXY）按照3: 1的比例划分样品, 近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。 采用正交信号校正（OSC）、 多元散射校正法（MSC）、 去趋势变换（De-trend）、 标准正态变换（SNV）、 基线校正（Baseline）、 Savitzky-Golay 卷积导数（S-G导数）、 标准化（Normalize）、 移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法（S-G平滑）共9种算法对原始光谱数据进行预处理, 基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好, 进行后续模型的处理。 选择特征波长以减小光谱信息冗余并提高模型检测效果, 基于近红外和可见光光谱的最佳波长选择方法分别为连续投影算法（SPA）和竞争性自适应重加权算法（CARS）, 分别保留15, 39个特征波长。 之后, 建立偏最小二乘回归（PLSR）、 主成分回归（PCR）模型。 结果表明, 基于近红外和可见光光谱的最优模型分别为SPA-PLSR和OSC-CARS-PCR, 其预测集相关系数（R2P）, 预测集均方根误差（root mean square error forprediction, RMSEP）和预测集归一化均方根误差（normalized root mean square error, NRMSEP）分别为0.810 3、 0.802 1, 0.412、 0.388和3.62%、 3.34%。 基于近红外光谱的SPA-PLSR模型预测效果更好, 鲁棒性更高, 预测效果好于可见光光谱。 本研究验证了便携式近红外和可见光光谱仪快速、 无损检测水稻中水分含量的可行性, 为水稻收获、 贮藏等过程水分含量的测定提供技术支持, 为后续便携式光谱仪的开发提供参考。

水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。

南疆地区沙尘多、 灰尘大, 枣树叶片表面经常覆盖一定程度的粗颗粒度沙尘, 为了有效去除沙尘、 灰尘在枣树叶片水分光谱测量过程中产生的散射噪声和基线漂移, 研究一种适用于风沙较大地区的枣树叶片水分含量的快速检测方法, 以不同灌溉梯度下的枣树叶片为研究对象, 通过近红外光谱仪获取120个叶片样本的1 000～1 800 nm的光谱数据, 并同步测量叶片水分含量, 采用归一化、 移动窗口平滑、 SavitZky-Golay（SG）卷积平滑、 SG求导、 标准正态变量校正(SNV)和多元散射校正(MSC)等方法对原始光谱进行预处理, 分析对比不同方法对散射噪声的处理能力, 采用偏最小二乘回归分析方法筛选了敏感波段和建立预测模型。 实验结果表明, 枣树叶片水分含量强吸收峰为1 443 nm, 波谷为1 661 nm; 归一化光谱并未消除1 000～1 400 nm波段的散射噪声; 移动窗口平滑和SG卷积平滑并未改进光谱曲线, 散射噪声仍然存在; SG导数光谱的光谱特征峰和特征谷明显左移, 光谱曲线不够平滑, 噪声明显; SNV和MSC方法具有较好的散射噪声消除能力。 偏最小回归分析方法筛选特征波长的结果表明（设置筛选波长数量为5）, 基于原始光谱未筛选到1 443 nm的强波峰和1 661 nm的波谷附近的波段; 基于归一化光谱在1 450 nm波峰附近筛选的波长有一定的偏差, 在1 661 nm波谷附近的筛选的波长明显高于1 700 nm; 基于移动窗口和SG卷积平滑光谱在1 443 nm具有一定的筛选能力, 但并未筛选到1 661 nm附近的波长; 导数光谱并未筛选到1 443和1 661 nm波段; SNV和MSC在波峰和波谷位置附近均筛选了敏感的光谱波段, 其中MSC略优于SNV方法恰好在波峰和波谷位置, 共筛选了1 002, 1 383, 1 411, 1 443和1 661 nm五个特征波段, 也证明了MSC方法散射噪声和基线漂移处理能力最优, 提高了敏感波长的筛选能力。 偏最小二乘回归模型结果表明, 不同预处理方法的RMSE值均较低, SNV和MSC方法改进了模型的预测结果, R2高于0.7, 其中基于MSC方法的模型具有最高的R2和最低的RMSEP和RMSEPCV, R2=0.750 4, RMSEP=0.034 3, RMSECV=0.021 5, 预测结果较优。 证明MSC方法对沙尘和颗粒度引入的散射噪声具有较好的去除能力, 可改进波长的筛选、 提高预测模型精度, 为南疆沙尘区的枣树叶片水分含量的无损检测提供了有效方法。

针对水-乙二醇抗燃液压液(HFC)目前常用的水分含量和粘度测量方法存在操作复杂, 耗时长, 测量成本较高等问题, 研究了将中红外光谱分析法应用于HFC水分含量和粘度测量。 以85个实际在用油样为样本集, 采用传统的电量法和毛细管法分别测量水分含量和运动粘度; 使用衰减全反射液体池(ATR)采集各样本的中红外光谱并进行光谱校正、 背景扣除、 Savitzky-Golay(SG)平滑处理和基线校正等预处理。 水分含量测量模型构建过程中, 利用学生化残差-杠杆值法寻找强影响点, 判定为异常样本并加以剔除; 利用马氏距离SPXY法划分建模样本集和验证样本集。 根据Beer-Lambert定律, 水分含量和红外光谱吸光度成正比, 采用线性方法来构建水分含量和吸光度红外光谱之间的关系模型。 同时为提高模型的鲁棒性和泛化能力需要消除光谱中的无用信息、 冗余信息和噪声, 因此采用后向间隔偏最小二乘法(BiPLS)进行水分含量测量特征谱区优选, 并建立线性校正分析模型。 结果表明剩余3 526~3 354, 1 790~1 618, 3 005~2 660和1 096~924 cm-1波段时获得最小的交叉验证均方根误差(RMSECV)。 特征波段优选结果可以理解为, 根据3 526~3 354 cm-1波段预测HFC体系中所有OH的量, 减去根据3 005~2 660和1 096~924 cm-1波段换算得到的乙二醇中的OH, 进而计算得到水分含量, 为进一步提高精度, 将水中OH变角振动吸收峰对应的1 790~1 618 cm-1波段作为水分含量测量的辅助波段。 利用独立验证样本进行模型检验, 结果表明所建立的线性模型相关系数(r)为0.989 5, 预测均方根误差(RMSEP)为0.405 2, 满足HFC中水分含量测量精度需求。 粘度测量模型构建过程中, 利用马氏距离法寻找离群样本, 判定为异常样本并加以剔除, 利用马氏距离SPXY法进行建模样本集和验证样本集划分。 粘度是一个与多重因素有复杂关系的理化指标, 和红外光谱之间表现为非线性关系。 基于主成分分析结合BP神经网络法(PCA-BPNN)构建非线性粘度校正分析模型, 提取累积贡献率为95.12%的前10个主成分作为输入, 测得的粘度值为输出, 创建单隐层BP神经网络并进行训练, 训练结果相关系数r为0.996 8。 利用独立验证样本进行模型检验, 结果表明所建立的非线性模型r为0.984 3, RMSEP为0.615 1, 满足HFC粘度测量精度需求, 且优于采用BiPLS线性模型获得的结果。 确定了可用于HFC中水分含量测量的四个中红外波段, 可为窄带红外光谱分析法或其他类似研究提供依据。 研究结果表明中红外光谱分析法结合BiPLS和PCA-BPNN分析法可分别应用于HFC水分含量和粘度测量, 精度符合监测需求, 为HFC中分含量和粘度测量提供了一种新的测试方法, 相比于传统测量方法具有快速、 无损、 低成本的特点。

对制备的七种不同湿度的岩屑样品进行实验, 研究了水分含量对激光诱导岩屑等离子体特性的影响以及不同水分含量下样品中各元素浓度值的修正方法.实验分析了Ca II 422.67 nm 谱线强度随岩屑样品含水量的变化, 通过Ca II 和Al I 各自四条谱线的玻尔兹曼图计算了不同水分含量下的等离子体平均温度, 并使用Lorentz拟合Ca II 422.67 nm谱线获得了不同水分含量岩屑等离子体的电子密度.实验结果表明, 随着水分含量的增加, 光谱强度、等离子体温度和电子密度均线性降低, 各元素自由定标模型定量分析结果有较大差异, 但不同水分含量的岩屑等离子体均满足局部热力学平衡的Mc Whirter标准, 自由定标模型可以用于不同水分含量岩屑样品的分析及影响的简单修正.

利用高光谱成像仪(光谱范围400～1 000 nm)对土壤含水率进行了无损检测。 比较了208个土样不同天数下土壤含水率与光谱变化、 不同质量含水量光谱的差异； 对比分析了不同光谱预处理方法、 不同方法提取特征波长、 采用多元线性回归（multiple linear regression， MLR）、 主成分回归（principal component regression， PCR）与偏最小二乘回归（partial least squares regression， PLSR）建模， 优选出最佳模型。 结果表明： 光谱曲线的反射率随着土壤含水率的增加而减小。 当超过田间持水率时， 光谱曲线的反射率会随着土壤含水率的增加而增大。 对比分析了不同预处理方法， 近红外波段优选出单位向量归一化预处理方法。 采用无信息变量消除法（UVE）、 竞争自适应加权采样（CARS）、 β系数法、 连续投影算法（SPA）方法提取特征波长为49， 30， 5和7。 为了减少数据冗余， 对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取， UVE+SPA， CARS+SPA提取特征波长数分别为5和8个。 在此基础上， 利用MLR， PCR和PLSR方法对400～1 000 nm范围的特征波长建立模型， 对比分析不同建模效果， 优选出β系数提取的特征波长的MLR模型。 最优的特征波长为411， 440， 622， 713和790 nm， 最优模型的预测相关系数Rp=0.979， 预测均方根误差RMSEP为0.763。 因此， 今后可采用不同波段对土壤含水率进行定量分析。

对364份水分含量在2.24%～32.66%之间的“冈优916”稻谷样品, 经均值中心化、 一阶微分、 标准归一化和多元散射校正等预处理后, 采用分段间隔法、 组合分段法、 滑动窗口法和反向分段法等进行特征谱区选择, 分别使用偏最小二乘法(PLS)和主成分回归(PCR)两种定量分析方法, 获得稻谷含水量近红外光谱预测模型最佳的特征谱区。 首次给出了分段间隔法、 组合分段法、 滑动窗口法和反向分段法等传统的特征谱区选择方法的计算复杂度的计算公式, 并对比分析了这几种特征谱区选择方法的程序运行效率。 结果表明: 采用PLS建模对稻谷含水量光谱的预测性能优于PCR建模, 但PLS建模的效率低于PCR建模； 在PLS建模中, 采用反向分段法对稻谷光谱含水量的预测性能最好, 其预测集的相关系数RP为0.995 6, 预测均方根偏差RMSEP为0.78%； 其次是滑动窗口法, 其RP为0.994 3, RMSEP为0.89%； 但这两种特征谱区选择方法的程序运行效率较低, 反向分段法的平均运行时间为4.87 h, 滑动窗口法的平均运行时间为29.82 h。 该研究结果为今后在并行计算或分布式计算上开发近红外光谱预测模型的快速算法提供参考。

水分含量影响干贝的口感、 质地等品质特征, 而且与其贮存期密切相关。 应用高光谱成像与检测技术结合化学计量学方法, 实现干贝水分含量的快速检测。 实验采用高光谱成像系统采集380～1　030 nm波段范围内的高光谱图像, 采集得到6个不同干燥时期共90个干贝样本高光谱图像。 提取所有样本感兴趣区域的平均光谱数据, 采用连续投影算法(SPA)和权重回归系数法(Bw)分别提取了7个和4个特征波长。 基于所提取的特征波长和全波长分别建立光谱数据与水分含量的偏最小二乘回归(PLSR)模型, 三种模型分别是SPA-PLSR, Bw-PLSR和PLSR。 建模集和预测集相关系数都高于0.95, 预测均方根误差都低于10%, 三种模型均获得了较好的预测效果, 都能很好地预测干贝的水分含量。 在所有模型中, SPA-PLSR模型具有较少的波长变量和较高的预测能力(97.28%), 因此本文基于SPA-PLSR模型, 采用伪彩色图像编程技术实现了干贝图像上每个像素点的水分含量的可视化预测。 结果表明, 高光谱成像技术结合特征波长提取算法可用于干贝水分含量分布的可视化检测。