木材抗拉强度是评价木材力学性质的重要指标。 针对近红外光谱建模中样本数据量小、 波长信息冗余所导致预测模型精度低的问题, 提出一种基于模型集群分析MC-UVE-IVSO波长优选的木材抗拉强度建模方法。 以桦木为例, 选取150个桦木样本作为实验对象, 首先使用900～1 700 nm波段的近红外光谱仪采集试件光谱数据, 并采用力学试验机获得相应的抗拉强度真值; 然后对采集的光谱数据运用多元散射校正（MSC）、 一阶求导和卷积平滑（SG）相结合的方法进行预处理, 完成光谱平滑滤波; 分别采用变量组合集群分析算法（VCPA）、 蒙特卡罗无信息变量消除法（MC-UVE）、 迭代变量子集优化算法(IVSO)及MC-UVE-IVSO组合优化算法进行波长筛选, 并对比优选波长结果; 最后在优选近红外波长基础上, 建立桦木抗拉强度的偏最小二乘预测模型（PLS）。 实验结果表明: 基于MC-UVE-IVSO算法优选波长的PLS模型, 光谱变量数由512减小到98, 优选波长占总波长的19%, 其预测决定系数R2为0.94, 预测均方根误差RMSEP为7.50, 性能偏差比RPD为3.16, 相比于全波段、 MC-UVE、 VCPA、 MC-UVE-VCPA与IVSO相应的R2（0.92、 0.93、 0.82、 0.87、 0.93）、 RMSEP（17.91、 11.7、 14.91、 12.12、 8.47）和RPD（2.81、 2.91、 2.25、 2.28、 2.78）均有不同程度提升; 通过统计特征波长所建立的预测模型箱形图, 进一步证明了MC-UVE-IVSO算法在处理多变量波长的稳定性。 实验结果表明, MC-UVE方法可以消除与建模不相关的多数变量, 而IVSO算法能有效搜索出最优变量子集, 基于MC-UVE-IVSO的光谱优选算法提升了木材抗拉强度预测模型的准确性和稳定性, 为木材近红外光谱的无损、 快速与精准检测提供了一定的理论基础。

采用近红外光谱（NIRS）结合偏最小二乘（PLS）方法, 实现对饲料中粗脂肪和粗纤维的快速定量分析。 采用Norris-Williams平滑求导（NW）和多元散射校正（MSC）方法对光谱进行预处理； 蒙特卡罗无信息变量消除法（MCUVE）、 变量组合集群分析法（VCPA）和区间变量迭代空间收缩法（iVISSA）用于光谱变量选择和优化； PLS用于光谱校正模型的建立, 采用校正集相关系数（Rc）、 交互验证均方根误差（RMSECV）、 预测集相关系数（Rp）和预测集均方根误差（RMSEP）评价模型。 光谱预处理中经MSC处理后的光谱模型优于其他预处理方法, 其RMSECV和RMSEP值都减小, Rc和Rp值都增大。 脂肪定量分析中, 原始光谱模型的RMSECV和Rc为0.21和0.87, RMSEP和Rp为0.20和0.88, 变量数（Vn）为1 501； 经MCUVE方法选择变量后建立的定量模型, 其RMSECV和Rc为0.17和0.92, RMSEP和Rp为0.19和0.89, Vn为400个； 经VCPA选择变量建立PLS定量模型, 其RMSECV和Rc为0.21和0.87, RMSEP和Rp为0.25和0.81, Vn为12； 经iVISSA选择变量后的模型, 其RMSECV和Rc为0.21和0.86, RMSEP和Rp为0.20和0.87, Vn为20。 粗纤维定量分析中, 原始模型的RMSECV和Rc为0.28和0.91, RMSEP和Rp为0.25和0.95, Vn为1 501； 经MCUVE选择后的模型, 其RMSECV和Rc为0.23和0.95, RMSEP和Rp为0.23和0.94, Vn为740； 经VCPA选择变量后的模型, 其RMSECV和Rc为0.27和0.91, RMSEP和Rp为0.30和0.91, Vn为11； 经iVISSA选择后变量的模型, 其RMSECV和Rc为0.29和0.90, RMSEP和Rp为0.27和0.93, Vn为20。 结果表明, MSC方法可以有效提高光谱质量, 消除光谱平移误差； MCUVE变量选择方法可以简化模型提高模型精度和稳定性, 建立最优模型。 在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量, Rc和Rp相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19； 经VCPA和iVISSA选择变量的模型其结果与全谱模型相似, 但其变量分别只有12和20个。 在粗纤维模型中, 经MCUVE选择后740个变量用于建立PLS模型, 其Rc和Rp为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23； VCPA和iVISSA分别运用11和12个变量建立回归模型, 但结果都比MCUVE模型差。 利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。

将近红外光谱分析技术结合化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速检测。配制了76种山茶油混合油样本用于近红外光谱的采集,将不同的光谱预处理方法用于光谱有效信息的提取;将蒙特卡罗无信息变量消除(MCUVE)和变量组合集群分析(VCPA)方法用于建模变量的选择;将偏最小二乘回归(PLSR)用于脂肪酸含量定量分析模型的构建。结果表明:经NWD1 ^st-MSC预处理后,两种脂肪酸的近红外光谱的较正均得到最好的结果;采用基于VCPA的变量优选方法极大地改善了模型精度,实现了建模变量数量的有效压缩。对于油酸模型,建模变量数量由1501减少为7,交叉验证均方根误差和校正相关系数分别为1.107和0.984,预测均方根误差和测试集的预测相关系数分别为1.178和0.981;对于亚油酸模型,建模变量数量由1501减少为8,交叉验证均方根误差和校正相关系数分别为0.089和0.987,预测均方根误差和测试集的预测相关系数分别为0.105和0.982。近红外光谱分析技术结合NWD1 ^st-MSC-VCPA-PLSR的方法为山茶油混合油品中脂肪酸含量的测定提供了一种快速简单的分析方法。

对葡萄酒酒精度偏最小二乘(Partial least squares,PLS)回归模型进行优化研究。使用近红外光谱仪采集葡萄酒样本的光谱数据, 用于建立酒精度定量模型, 实现在线快速检测。通过蒙特卡罗无信息变量消除(Monte Carlo uninformative variable elimination, MC-UVE)和遗传算法(Genetic algorithm, GA)进行变量选择, 基于被选择的变量分别进行PLS和因子分析(Factor analysis,FA), 建立回归模型。结果表明, MC-UVE-GA-FAR模型预测集相关系数(R2)为0.946, 预测均方根误差(Root mean square error of prediction, RMSEP)为0.215, 效果优于MC-UVE-GA-PLS模型。与基于全范围光谱所建PLS回归模型相比, 模型效果有所提升, 而且模型所选变量个数仅为6, 极大地简化了模型。MC-UVE和GA算法与FA分析结合可以实现模型的优化。

变量筛选策略结合局部线性嵌入(local linear embedding, LLE)理论用于近红外光谱(near infrared spectroscopy, NIRS)定量模型优化。 蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination, MCUVE)和连续投影算法(successive projections algorithm, SPA)以及两者结合的变量筛选策略用于NIRS冗余变量的剔除; 偏最小二乘回归(partial least squares regression, PLSR)和LLE-PLSR用于复杂样品光谱定量模型的构建。 结果表明: MCUVE方法既能有效的提取信息变量, 同时可以提高模型的预测精度; LLE-PLSR可以得到比PLSR方法更加准确的定量分析模型; MCUVE结合LLE-PLSR是一种有效的光谱定量分析方法。