加权SPXYE(WSPXYE)算法及其在近红外光谱模型转移中的应用（英文）

样本选择是模型转移的重要组成部分,其目的是在主光谱和从光谱中选择合适的样本,建立二者的转移模型,使得从光谱的预测样本能通过转移模型校正成类似于主光谱的样本,进而用主光谱的模型直接预测其浓度。目前,常用的样本选择算法有:Kennard-Stone法(KS法), SPXY法和SPXYE法。根据上述算法的特点,提出了一种新的样本选择方法:加权SPXYE法(WSPXYE法),进而将其用于选择合适的转移集样本。WSPXYE同样先计算样本间的距离,其距离有三个部分组成:光谱(X)之间的归一化距离d_(xs),浓度(y)之间的归一化距离d_(ys),以及校正误差(e)之间的归一化距离d_(es)。其加权代数和d_(wspxye)=αd_(xs)+βd_(ys)+(1-α-β)d_(es)即为WSPXYE距离。计算了WSPXYE距离之后,可以根据其距离选择距离较大的样本作为转移集样本。WSPXYE是Kennard-Stone法(KS法), SPXY法和SPXYE法的推广,而KS法(α=1,β=0)、 SPXY法(α=0.5,β=0.5)以及SPXYE法(α=0.333,β=0.333)则是WSPXYE法的特例。直接校正法(DS)、有信息成分提取-典型相关分析法(CCA-ICE)作为模型转移算法验证了WSPXYE方法的效果。结果显示,与KS法、 SPXY法以及SPXYE法相比, WSPXYE法可以通过调节参数,选择合适的样本,获得较低的误差。     

相干反斯托克斯拉曼及相干反斯托克斯超拉曼光谱微观极化率张量元的简化方案-C∞v对称性

相干反斯托克斯拉曼光谱(CARS)和四阶相干反斯托克斯超拉曼光谱(CAHRS)广泛应用于分子界面和生物膜表面的研究。然而,高阶非线性光学过程中分子微观极化率张量元数量众多,关系复杂,使研究者对CARS和CAHRS很难进行定量分析。采取以下方案对属于C_∞v对称性的分子基团的CARS和CAHRS的微观极化率张量元进行简化。首先将CARS微观极化率张量元β_{i′j′k′l′}表示成拉曼微观极化率张量元微分α′_i′j′的乘积,CAHRS微观极化率张量元β_{i′j′k′l′m′}表示成超拉曼微观极化率张量元微分β′_i′j′k′和拉曼微观极化率张量元微分α′_i′j′的乘积,再利用α′_i′j′之间的比值及β′_i′j′k′之间的比值得到β_{i′j′k′l′}和β_{i′j′k′l′m′}之间的比值。使用这些CARS和CAHRS微观极化率张量元之间的关系,能够得到CARS和CAHRS光谱的广义取向泛函及其广义取向参数,进而对界面分子取向信息进行定量分析。     

基于键极化加和模型及其实验修正方法的超拉曼微观极化率张量元微分的简化方案-C2v对称性

相干反斯托克斯拉曼光谱(CARS) 和相干反斯托克斯超拉曼光谱(CAHRS)等高阶非线性光谱技术已经应用在动力学过程、基因表达谱筛选、高分辨率光谱分析等诸多领域。但因其涉及到的高阶微观极化率张量元数量众多,对其光谱信号进行定量分析非常困难。文献通过理论分析将CARS和CAHRS的微观极化率张量元分解为拉曼微观极化率张量元微分α′_i′j′和超拉曼微观极化率张量元微分β′_i′j′k′的乘积,将高阶光谱定量分析的困难简化为对低阶光谱的分析。该研究处理了具有C_2v对称性分子基团,提出一种利用键极化加和模型及其实验修正的方法简化超拉曼微观极化率张量元微分β′_i′j′k′比值的方案。首先利用键极化加和模型方法,在对C_2v分子基团局域模式假设的基础上,进行单键的局域模式假设,通过对单键伸缩振动进行简正振动模式的分析,并与单键的偶极矩表达式进行比较,得到单键的超拉曼微观极化率张量元微分β′_i′j′k′。在单键β′_i′j′k′结果的基础上利用键极化加和模型,对C_2v分子基团进行对称性分析,将基团中两个单键伸缩振动的β′_i′j′k′耦合,得到C_2v分子基团对称振动和反对称振动两种简正振动模式的超拉曼微观极化率张量元微分β′_i′j′k′的表达式。在此基础上对C_2v分子基团对称振动和反对称振动的β′_i′j′k′表达式进行理论推导,结合对应振动模式下不同偏振组合的超拉曼退偏率ρ_HR-SS和ρ_HR-AS及HV偏振组合时实验测量的超拉曼光谱强度比,得到超拉曼实验修正的C_2v分子基团β′_i′j′k′之间的比值。再结合文献中拉曼实验修正的拉曼微观极化率张量元微分α′_i′j′之间的比值,即可得到C_2v分子基团CARS和CAHRS的微观极化率张量元之间的比例关系,为定量分析高阶非线性光谱信息提供理论基础。     

偏离朗伯比尔定律NaCl水溶液的红外光谱合成

氯化钠水溶液中,水分子之间的氢键相互作用随氯化钠浓度变化而发生改变,导致不同浓度的水溶液光谱形状也不同,因此NaCl溶液的光谱不满足朗伯比尔定律。如果浓度c与吸光率A不满足朗伯比尔定律,则利用光谱差减技术扣除溶剂水的吸收峰问题就会遇到瓶颈,差减效果不能令人满意。利用二元线性回归分析法和双边夹原理合成杂化光谱,期望在偏离朗伯比尔定律体系,可以理论上获得各种浓度的NaCl水溶液的杂化光谱,并且保证杂化光谱与其代表的真实光谱高度相似。主要结论如下：(1)浓度c₁和c₂的NaCl水溶液的红外光谱分别为A_c1和A_c2,则浓度介于c₁和c₂之间的溶液光谱,均可用A_hc(c₁, c₂)=âA_c1 +A_c2来表示。A_hc(c₁, c₂)与浓度为c(c₁＜c＜c₂)的溶液的真实光谱A_c高度类似。(2)c₂和c₁间隔越小,杂化光谱A_hc(c₁, c₂)与真实光谱A_c的相似度越高,因此可根据精度要求选择合适的A_c1和A_c2来拟合A_hc 。(3)杂化光谱A_hc(2%, 30%)=âA_2%+A_30%,适用浓度区间2%～30%,涵盖浓度范围宽,效果令人满意。(4)回归系数â和与浓度c关系为â=-3.592c+1.058 9,=3.565c-0.0551 5。在2%~30%浓度范围内,选取浓度c数值,即可获得相应回归系数â和,再将â和代入方程A_hc(2%, 30%)=âA_2%+A_30%,即可获得NaCl水溶液的杂化光谱。杂化光谱与相对应的真实光谱高度近似,A_hc(2%, 30%)≈A_c,完全可替代真实光谱。     

基于距离度量的LAMOST光谱中连续谱异常的自动检测

连续谱异常是指恒星光谱在获得和处理过程中由于星际消光和流量定标等原因造成连续谱严重偏离甚至中断的现象,这对光谱的谱线提取以及其他一些后续处理工作带来负面影响。提出了一种基于距离度量的连续谱异常光谱的自动检测方法,相比传统人眼检查在保证正确率的情况下大大地提高了工作效率。该方法首先通过光谱的lick线指数来确定待测光谱的恒星类型,同时对待测光谱进行归一化处理;然后分别提取待测光谱和对应类型模板光谱的连续谱;最后进行连续谱模板匹配,在每个波长点计算待测光谱和其模板光谱的流量差值,分析流量差值的分布,检验有多少差值点分布在在均值(β)附近的±α个标准差(δ)的范围内,进而可确定是否有连续谱异常。实验表明提出方法的可以快速有效的识别出连续谱异常的恒星光谱。     

CO分子振转光谱的理论研究

采用从头算的多参考组态相互作用(MRCI)方法并结合基组aug-cc-pCVQZ计算了CO分子基态(X1Σ+)的势能曲线和偶极矩曲线,得到的势能曲线、偶极矩曲线分别与RKR势、文献的偶极矩曲线吻合较好。利用所得的势能,求解双原子分子核运动的Schrdinger方程找到了CO分子X1Σ+态转动量子数J=0时的70个振动态,对于每一振动态,分别计算了其振动能级G(v)、转动惯性常数B_v和离心畸变常数D_v,并把计算结果与已知的42个实验值做了详细比较,结果表明,计算的振动能级G(v)、转动惯性常数B_v、离心畸变常数D_v与实验值符合较好。利用G(v),B_v导出的光谱常数[谐振频率ω_e(2 160.1 cm-1)、非谐振频率ω_eχ_e(13.1 cm-1)、转动常数B_e(1.918 cm-1)、振转耦合常数α_e(0.017 3 cm-1)]也与实验值的光谱常数[ω_e(2 169.8 cm-1),ω_eχ_e(13.3 cm-1),B_e(1.931 cm-1),α_e(0.017 5 cm-1)]较为符合,这在一定程度上证明了方法MRCI/Aug-cc-pCVQZ对CO分子基态性质的计算是合适而可靠的。利用乘积近似方法计算了CO分子在常温、中温、高温时的配分函数,在此基础上,计算了CO分子在T=296 K时的1-0跃迁带的谱线强度,通过比较发现,计算所得的线强度与HITRAN数据库符合较好。进一步计算的CO分子X1Σ+态1-0,2-0,3-0,4-0,2-1,3-1和4-1跃迁带的带强度也与实验值较为吻合,同时首次计算了CO分子X1Σ+态3-2跃迁带、4-2跃迁带的线强度及带强度。     

应力发光材料Sr2SiO4∶Eu,Dy的光谱性质研究

采用高温固相法制备一系列Sr₂SiO₄∶Eu_0.01, Dy_x(x=0.000 1, 0.002 5, 0.005, 0.01)应力发光材料,研究了不同掺杂浓度下,Sr₂SiO₄∶Eu, Dy的光致发光和应力发光性质。研究结果表明在掺杂Dy3+浓度较低时,样品同时存在α和β两种相,当掺杂Dy3+浓度增加时,则出现β到α的相转变。由于Eu2+占据Sr2+格位的不同,样品在蓝光区486 nm(Sr1)和绿光区530 nm(Sr2)有两个峰存在。而应力发光光谱与余辉光谱类似,均只呈现出530 nm的发光,这说明二者的发光来源于占据Sr2格位的Eu2+,都是通过改变陷阱的浓度实现发光性能的变化,但Sr₂SiO₄∶Eu, Dy的应力发光强度的变化还与其结构改变有关。同时,Sr₂SiO₄∶Eu, Dy应力发光强度与所施加的力之间呈良好的线性关系,并且可用眼睛观察到明显的黄色应力发光,这为应力发光传感器准确检测物体所受应力提供依据。结合余辉、热释以及应力发光性质,推测Sr₂SiO₄∶Eu, Dy的应力发光机制应是压电产生的电致发光。     

校正集选择方法对于积雪草总苷中积雪草苷NIR定量模型的影响

近红外光谱定量分析中,采用合适的校正集选择方法是建立预测性能良好的近红外定量模型的关键技术之一。校正集选择方法有RS法、CS法、KS法和SPXY法等,但是对以上校正集选择方法缺乏系统地比较。本文以积雪草总苷中积雪草苷NIR定量模型为载体,对NIR定量模型的7个评价指标进行分类和筛选,比较了CS法、KS法和SPXY法三种校正集选择方法对NIR定量模型的准确性和稳健性两类评价指标的影响。结果表明,SPXY法与CS法、KS法选择校正集样本后所建近红外模型的RPD和RSEP两个准确性评价指标存在显著性差异,模型的稳健性评价指标RMSECV和|RMSEP-RMSEC|不存在显著性差异。因此,建立积雪草总苷近红外光谱的积雪草苷偏最小二乘定量模型时,SPXY校正集选择方法能显著提高该定量模型的预测准确度,但对模型稳健性的评价指标没有显著影响,以上结论为中药固体体系建立近红外定量模型确定校正集选择方法提供参考。     

SPXY样本划分法及蒙特卡罗交叉验证结合近红外光谱用于橘叶中橙皮苷的含量测定

在近红外光谱PLS定量模型的建立过程中训练集样本的选取和潜变量数的确定是十分重要的。因此,该研究以橘叶中橙皮苷的含量检测为例,分别比较了random sampling (RS),Kennard-Stone(KS),duplex, sample set partitioning based on joint x-y distance (SPXY) 四种训练集样本的选取方法对模型的影响,以及留一交互验证法和蒙特卡罗法对潜变量数确定的影响。结果表明,SPXY法选取的训练集建立的模型优于其他三种方法,蒙特卡罗法能够较好地确定模型的潜变量数并有效地减少过拟合风险,所建模型的交互验证均方根,预测均方根及预测集相关系数分别为0.768 1,0.736 9,0.975 2。     

向后迭代区间选择算法及其在近红外光谱模型转移中的应用

近红外光谱（NIR）具有快速、无损、操作方便的特点,故广泛用于食品分析。作为一种间接的分析技术,NIR需要建立光谱与待测浓度之间的统计模型来实现检测。故模型的维护有助于保证NIR的预测准确性。在外界条件发生变化的情况下,诸如样品性状的改变、仪器对理化指标函数关系的变化、湿度和温度等环境因素的改变,会导致相同样品的光谱信号发生偏移,进而使得原有模型的预测精度下降。此时,如果重新建模,虽然可以解决光谱偏移对建模的影响,但是重新建模将耗费大量的人力物力。对此,模型转移可以在避免重新建模的情况下,校正光谱的偏移,进而提高模型预测精度。通常模型转移算法多用全光谱进行模型转移,这种方法计算量较大,且不能找到合适的有化学意义的波段。故提出一种基于模型转移中的变量选择方法：向后迭代区间选择法（IIBS）,通过计算主光谱（用于建模的那组光谱）和从光谱（发生偏移,需要通过模型转移算法将其校正的光谱）中,变量区间的重要性信息（回归系数（β）、残差向量（Res）以及变量重要性投影（VIP））。进而通过计算该区间变量重要性信息的几何平均数,并以此作为该区间的区间重要性指标。接着根据区间的重要性,删除重要性信息较小的变量区间。然后对主光谱和从光谱重复迭代上述过程：计算变量的重要性信息,计算区间的重要性信息,删除重要性信息较小的区间。最后,比较不同的主光谱和从光谱区间组合的验证均方根误差（RMSEV）,选择RMSEV最小的主光谱和从光谱区间作为最优区间。玉米、小麦两套NIR数据测试了该算法。结果显示,与全波段相比,β,Res以及VIP均可以从主光谱和从光谱中选择较少的,有化学意义的区间,提高模型转移的精度。在比较不同变量重要性向量方面,基于β的变量选择算法,模型转移的计算误差较小。     

基于集群方法(ER)的近红外光谱转移集优化法

近红外光谱因为具有小成本、易操作、低耗时等优点,所以广泛用于食品领域.作为一种间接的检测方法,近红外光谱检测需要建立光谱和浓度之间的统计模型.但是,一种条件下建立的模型在另一种检测条件下会失效.针对此问题,重新建模可以加以解决,但是重新建立光谱与浓度之间的模型非常繁琐耗时.此时,模型转移可以在避免重新建模的情况下,通过...     

双光谱区间遗传算法及其在模型转移中的应用

在近红外光谱分析中，将近红外光谱和浓度信息建立统计模型，通过光谱代入模型即可预测未知样本浓度。但是，检测条件的变化会导致光谱的改变，进而导致原有的模型不能准确预测光谱改变后的样本。对此，模型转移可以通过校正新测量的光谱（从光谱），使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。模型转移可以使用全光谱进行校正，但是全光谱中往往包括噪声、背景等干扰信息，这些干扰会增加预测误差。故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。但是一般的变量选择算法只选择主光谱的区间，从光谱使用主光谱相同的波长区间模型转移。但是在实际工作中，主光谱和从光谱有化学意义的区间往往不一致，主从光谱使用同一区间模型转移会增加误差；此外，有时二者原光谱的波长范围并不一致，从主光谱选出的区间不能用于从光谱的校正。对此，提出了基于双光谱区间遗传算法（GA-IDS），同时选择主光谱和从光谱有化学意义的区间，进而实现模型转移。GA-IDS算法步骤包括，①随机产生种群；②分析种群中每条染色体，删去错误染色体；③根据每条染色体，找出其相应的主光谱和从光谱波段组合，并计算其模型转移后的验证均方根误差(RMSEV)；④按照概率，执行选择、交叉、变异操作。在一次迭代结束之后，返回到步骤②，重新执行纠错、计算RMSEV、选择、交叉、变异。达到停止迭代的要求后，将最低的RMSEV值所对应的染色体保存下来作为最优染色体，其所对应的主从光谱区间作为最优区间。用玉米、小麦两套数据测试了该算法，结果显示，与全光谱相比，GA-IDS选择的主从光谱区间可以显著地降低误差；与向后迭代区间选择法（IIBS）相比，在小样本情况下，GA-IDS的误差显著地小于IIBS方法。     

光谱多元分析校正集和验证集样本分布优选方法研究

分析了校正集和验证集样品数随性质分布不均匀性对光谱多元分析校正的不良影响,揭示了实际光谱多元校正中“均值化”现象,即性质值小的样本预测值结果偏大,性质值大的则偏小,提出了一种优选样品新方法—Rank-KS。其综合考虑光谱空间和性质空间对样本进行挑选,将性质空间平均分为若干小区间,在每个小区间内分别利用Kennard-Stone法和随机法进行校正集和验证集样本的挑选,这样得到的校正集和验证集可明显改善样本数随性质分布的均匀性。以红外光谱测定汽油中碳酸二甲酯(DMC)含量和近红外光谱测定二甲亚砜溶液二甲亚砜浓度为研究对象,分别采用Rank-KS、随机法、Kennard-Stone、浓度梯度法和SPXY等方法选择校正集和验证集样品,使用多元线性回归和偏最小二乘法建立模型,比较这些方法对光谱多元校正分析的影响,结果表明Rank-KS方法可改善校正集和验证集样品数随性质分布的均匀性;对于样本数分布中间局部样本多和两端局部少、或者局部没有样本的样本集,使用Rank-KS算法挑选校正集,无论使用MLR还是PLS1建立多元分析模型,均能明显改善其模型预测能力,使得到的模型的预测均方根最小。     

基于近红外光谱的淡水鱼新鲜度在线检测方法研究

新鲜度是反映鱼类品质以及可否食用的重要指标,在线检测直接关系到食品质量与安全的实施应用,因此对淡水鱼新鲜度进行在线无损检测具有重要意义。应用近红外光谱对淡水鱼新鲜度进行在线检测,试验装置采用自行搭建的淡水鱼近红外光谱在线采集装置,试验时样品在输送链上以0.5 m·s-1的速度运动,采集其近红外漫反射光谱(900～2 500 nm),并用支持向量机(support vector machine, SVM)建立淡水鱼新鲜度在线检测模型。采用光谱理化值共生距离(sample set partitioning based on joint X-Y distance algorithm, SPXY)算法对样本集进行划分,其中校正集111条(新鲜57条,变质54条)、测试集37条(新鲜19条,变质18条),通过对比不同的光谱预处理方法对预测结果的影响,明确了一阶导结合标准化预处理为最优光谱预处理方法,经过该方法预处理后所建模型对校正集的正确识别率为97.96%,对测试集的识别率为95.92%。为了提高模型运行速度对建模所用光谱变量进行优化,分别采用遗传算法(genetic algorithm, GA)、连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS) 三种不同的特征变量选择方法对特征波长进行筛选,通过建模比较分析确定CARS为最优波长选择方法,以所选的10个特征波长建立淡水鱼新鲜度支持向量机检测模型,模型对校正集的正确识别率为100%,对测试集的识别率为93.88%。该研究可为近红外光谱用于淡水鱼新鲜度在线检测提供技术支持。     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。     

近红外光谱结合化学计量学对五元调和油中单组分油的定量分析

有关调和油快速准确定量检测的研究对于调和油质量控制具有重要意义。以往对调和油定量分析的研究大多集中于二元、三元和四元调和油,对更高元数调和油的研究很少,难以满足调和油检测需求。该研究的目的是探讨近红外光谱结合化学计量学对五元调和油中各单组分油进行定量分析的可行性。由玉米油、大豆油、稻米油、葵花油和芝麻油配制成51个五元调和油样品,并采集各样品12 000～4 000 cm-1范围内的近红外透射光谱。首先,采用光谱-理化值共生距离（SPXY）算法将调和油样品划分为38个校正集和13个预测集样品。其次,考察了主成分回归（PCR）、偏最小二乘（PLS）、支持向量回归（SVR）、人工神经网络（ANN）、极限学习机（ELM）等五种多元校正方法对五元调和油各组分定量分析的建模效果。然后,在最佳建模方法的基础上比较了SG平滑、标准正态变量（SNV）、多元散射校正（MSC）、一阶导数（1st Der）、二阶导数（2nd Der）和连续小波变换（CWT）六种光谱预处理方法,并讨论了预处理方法有效地原因。最后,在最佳预处理方法的基础上进一步利用竞争自适应重加权采样（CARS）和蒙特卡罗无信息变量消除法（MCUVE）筛选与预测组分相关的变量。结果显示,在五种建模方法中,PLS是最佳的建模方法,对玉米油、大豆油、稻米油、葵花油和芝麻油五种组分的预测均方根误差（RMSEP）分别为5.564 4,5.559 2,3.592 6,7.421 8和4.193 0。经过光谱预处理-变量选择,再建立PLS模型,对五种组分的RMSEP分别降低至1.955 3,0.562 4,1.145 0,1.619 0和1.067 1,预测相关系数（R_p）均高于0.98,表明采用合适的光谱预处理和变量选择方法,可以明显提高五元调和油中各单组分油定量分析的预测准确度。该研究为多组分调和油的快速无损定量检测提供了一种参考。     

高光谱结合二维相关光谱检测灵武长枣中半纤维素的含量

利用高光谱成像技术与二维相关光谱（2D-COS）结合化学计量学检测灵武长枣半纤维素含量。采用定量瘀伤装置获得0,Ⅰ,Ⅱ,Ⅲ,Ⅳ级瘀伤长枣模型,通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。蒙特卡洛异常值检测法剔除异常样本后,分别用随机划分法（RS）,Kennard-Stone法（KS）、光谱-理化值共生距离法（SPXY）和3∶1比例法对样本集划分校正预测。采用基线校准（Baseline）、去趋势（De-trending）和标准化（Normalize）对长枣原始光谱预处理后建立偏最小二乘回归模型（PLSR）,优选最佳样本集划分及预处理方法。利用2D-COS将光谱信号扩展到第2维,在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。采用竞争性自适应加权算法（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩方法（iVISSA）、变量组合集群分析法（VCPA）以及iVISSA+BOSS,iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取,并建立基于特征波长的PLSR模型。结果表明,样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优,故最佳样本集划分方法为3∶1,预处理方法为Baseline,用于后续特征波长提取。通过2D-COS分析发现3个与半纤维素相关的自相关峰（401,641和752 nm）;在2D-COS敏感区域（401～752 nm范围内）,采用BOSS,CARS,iVISSA,VCPA,iVISS+BOSS,iVISS+CARS,iVISS+VCPA分别提取了14,26,39,12,15,22和11个对应的特征波长,占总波长的18.9%,35.1%,52.7%,16.2%,20.2%,29.7%和14.8%。对比2D-COS和特征波建立的PLSR模型,2D-COS+iVISSA-PLSR模型效果较好,其R2_C=0.747 9,R2_P=0.604 7,RMSEC=0.043 8,RMSEP=0.060 3。研究表明,利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。