基于FastICA和神经网络的红酒主要品质参数红外检测

为实现红酒中酒精含量、pH值以及残糖量的快速检测,对44个红酒样品的红外光谱数据进行了分析。使用快速独立分量分析(FastICA)算法对光谱数据矩阵进行分解,得到独立成分和相应的混合系数矩阵,再利用误差反向传播算法(back-propagation, BP)构造了三层的神经网络结构,建立了ICA-NNR模型。利用此模型对红酒样品的酒精含量、pH值以及残糖量进行预测,根据预测相关系数(r)和预测标准偏差(RMSEP)来评价预测模型的性能,结果表明该模型对红酒酒精含量、pH值以及残糖量测定的相关系数r分别为0.953,0.983和0.994,RMSEP分别为0.161,0.017,0.181。此外,预测样品集中的22个样品ICA-NNR模型预测值与参考值相比,酒精含量、pH值以及残糖量的最大相对偏差均小于4%。这为进一步开发红酒成分红外在线分析仪奠定了基础。     

基于BP神经网络的人体血液中红细胞浓度无创检测

采用BP神经网络算法模型对人体血液红细胞浓度进行无创检测。对获取的动态光谱数据和红细胞实测值利用BP神经网络进行建模分析,校正集输出对期望值的跟踪较好,相关系数R达到了0.993,用建立起的BP神经网络模型去检验预测集输出值,得到预测集的相对误差最大为4.7%,平均相对误差为2.1%,预测能力较为理想。结果表明：用BP神经网络模型能够较准确的处理动态光谱数据和人体红细胞实际值的非线性关系,提高了血液成分无创测量在临床上应用的可行性,具有较高的应用价值。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

基于谐波分析算法的干旱区绿洲土壤光谱特性研究

土壤有机质(SOM)含量是评价土壤肥力的重要指标。以新疆渭-库绿洲为研究区,对室内获取的SOM含量及反射光谱数据进行Savitzky-Golay (S-G)平滑和一阶微分(FD)预处理。在此基础上,为减小敏感波段遴选对建模精度的影响,引入谐波分析(HA)算法对全波段光谱数据进行谐波分解。基于主成分分析(PCA)降维后的7个主分量对SOM含量进行基于反向传播(BP)神经网络、遗传算法(GA)-BP神经网络和多元线性回归(MLR)方法的定量估算,并对估算精度进行比较。结果表明:HA预处理后的光谱数据与SOM含量的相关性相较于FD数据有了明显提高;非线性模型BP神经网络的估算精度明显高于线性模型MLR;在非线性模型中,GA-BP模型的估算精度最高,其决定系数为0.92,预测集的均方根误差为3.92×10~(-3),相对分析误差为1.93。验证了HA算法深度挖掘光谱数据的有效性,经过GA优化的BP神经网络模型可以提高SOM含量的估算精度,为土壤属性的光谱定量估算提供借鉴。     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。     

改进的FastICA-SVR结合荧光光谱技术测定1-萘酚、2-萘酚

水作为生命之源与人类的生存息息相关，近年来关于水环境污染的报道越来越多，不容忽视。实验以萘酚的两种同分异构体1-萘酚、2-萘酚的混合物作为研究对象，提出了一种新的算法，通过对混合物的三维荧光光谱进行分析来实现水中萘酚的定性定量分析。利用FS920稳态荧光光谱仪对配制的混合溶液进行扫描得到荧光光谱数据，并对数据进行一系列的预处理去除拉曼散射和瑞利散射的影响。将解决盲源分离(BSS)问题的独立成分分析(ICA)算法应用到荧光光谱定性定量分析问题当中，盲源分离技术就是将测量得到的混合信号作为处理对象进行分解，实现未知系统中源信号的求解，并得到混合矩阵。对混合物中单一物质的识别与测量与盲源分离问题类似。采用基于负熵最大的快速独立成分分析(FastICA)算法对实验数据进行分解，将所有样本的三维荧光光谱数据沿发射波长方向展开成为向量，得到一个大小为(N×M)的矩阵(N为样本数，M为波长数)，将该矩阵作为快速独立成分分析的输入进行独立分量提取，输出分别为单组分物质的展开荧光光谱和混合矩阵。FastICA算法的关键是利用牛顿迭代算法得到解混矩阵，但迭代过程中复杂的求导问题会使计算量增大、迭代速度减慢，针对该算法存在的问题，提出用差分法(又称为双点弦截法)代替求导的解决方法。为了验证算法的可行性，用改进后的算法和原有算法分别对荧光光谱数据进行了五次独立分量提取实验，原有算法平均运行时间为17.78 s，而改进后的算法平均运行时间为3.22 s，比原有算法提高了14.56 s，有效地减少了计算量，改善了FastICA算法的迭代速度并且使其收敛性更加稳定。通过实验结果可以看出改进后的算法得到的光谱更接近真实的光谱。利用快速独立成分分析算法分解得到的混合矩阵与物质浓度相关，这是物质定量分析的依据，但它们之间的关系可能是非线性的，采用能实现非线性拟合的支持向量回归机(SVR)进行回归预测，将混合矩阵和实际浓度矩阵分别作为SVR的输入和输出，利用遗传算法(GA)对支持向量回归机的参数进行优化选择，并选择径向基核函数(RBF函数)作为SVR的核函数，建立回归模型，实现对荧光光谱的定量分析。1-萘酚的拟合相关系数(r)为0.998 6，样品回收率(Recovery rate)为96.75%～104.2%，预测均方根误差(RMSEP)为0.119 μg·L-1；2-萘酚的拟合相关系数为0.998 8，样品回收率为96.8%～105.5%，预测均方根误差为0.1 μg·L-1，预测结果比较令人满意，符合预测要求。实验证明改进的基于负熵最大的FastICA-SVR算法能实现对混合物中1-萘酚、2-萘酚准确有效的识别和测量，并且改进之后加快了算法的分解速度。     

重庆市南川区土壤锰元素遥感反演

土壤中的锰元素对植物生长起着重要作用,土壤锰含量过高或者缺少都将对植物产生不良影响,因此快速监测土壤中的锰含量尤为重要。目前利用遥感技术监测土壤锰含量的相关研究主要集中在利用土壤光谱估算土壤锰含量,而对于植被常年覆盖的南方地区,难以从卫星影像中获取土壤光谱。因此,引入植被光谱,探索植被覆盖区域土壤锰元素的快速监测方法。首先从Landsat 8影像中提取11种植被光谱指标,并运用皮尔逊相关系数(Pearson correlation coefficient)结合方差膨胀因子(VIF)筛选出最佳植被光谱指标;在此基础上,利用偏最小二乘回归(PLSR)、多元逐步回归(MSR)和BP神经网络(BPNN)算法构建最佳植被光谱指标与土壤锰元素之间的光谱响应模型,分析比较三个模型的估算效果从而确定最佳反演模型;最后,基于最佳反演模型进行土壤锰含量空间制图。以重庆市南川区为例,研究结果表明：3个植被光谱指标(比值植被指数,归一化植被指数和可见光大气阻抗植被指数)被确定为土壤锰元素最佳的光谱响应指标;BPNN光谱响应模型(R²为0.78, RMSE为334.24, RPD为2.13...     

主成分分析结合BP神经网络对短程生物脱氮中氮的近红外光谱研究

为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测,采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。工艺运行结果表明：原水经过好氧阶段氨氮从45.3 mg·L-1下降到2.7 mg·L-1,亚硝酸盐氮从0.01 mg·L-1上升到19.6 mg·L-1,硝酸盐氮受到抑制;在缺氧段亚硝酸盐氮从19.6 mg·L-1下降至1.2 mg·L-1,系统实现了良好的短程生物脱氮效果。水样原始光谱主成分分析表明：前13个主成分代表了原始光谱数据的信息,其累计贡献率达到95.04%,排除了冗余信息且大大降低了模型的维数,光谱数据矩阵从192×2 203减少到192×13,大大降低了运算量并提高了模型的精度。BP神经网络模型校正结果显示：BP神经网络模型对氨氮、亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2,校正均方根误差(RMSECV)分别为0.016 6和0.010 9。BP神经网络模型预测结果显示：BP神经网络模型对氨氮、亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4,预测均方根误差(RMSEP)分别为0.033 7和0.028 7,模型预测效果良好。研究表明,BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度,并根据氨氮和亚硝酸盐氮浓度变化及时、灵活地控制工艺的运行,为生物脱氮提供快速有效的检测技术和科学依据。     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

土壤全氮田间Vis/NIR光谱测定方法研究

应用Vis/NIR光谱直接测定原始土壤属性具有重要的研究和应用价值。选取我国中部水稻土和潮土共103个土样,对比分析了两种土壤在田间环境下的湿态(R_w)和干态(R_d)光谱特征。采用相对变换光谱方法对湿态光谱进行了处理,结果表明该方法能够有效降低土壤水分的干扰和消除部分噪声,得到的变换光谱(R_n)与干态光谱在信息量和特征方面具有很高的相似度。以此建立了土壤TN的PLS回归估计模型,检验结果表明,R_n对水稻土和潮土TN的估计模型精度均高于R_w,修正判定系数分别从0.26和0.46提高到0.53和0.62。因此,相对光谱变换方法能够有效提高应用田间土壤光谱估计土壤参数的能力,建立的PLS模型可以用于测定TN含量,研究结果可作为实现田间实时分析土壤属性的工作基础。     

土壤碱解氮含量可见/近红外光谱预测模型优化

可见/近红外光谱技术是土壤成分检测的有效工具。波长筛选对可见/近红外模型土壤属性的预测精度有重要影响。以宁夏吴忠地区75个水稻土样为研究对象,利用可见/近红外光谱技术采集土壤样品光谱,采用SPXY （Sample set partitioning based on joint X-Y distance）方法选取了校正集和预测集样本,比较了分别采用Savitzky Golay平滑（SG smoothing）、多元散射校正（Multiple scatter correction,MSC）、标准正态变量变换（Standard normal variate,SNV）3种预处理方法对光谱数据处理后建立土壤碱解氮偏最小二乘法模型和原始光谱数据建模的效果。在此基础上,分别采用遗传算法（Genetic gorithms,GA）、连续投影算法（Successive projections algorithm,SPA）、竞争性自适应重加权算法（Competitive adaptive reweighted Sampling,CARS）、随机蛙跳（Random frog,RF）进行波长筛选,最后应用偏最小二乘法建立基于不同波长筛选方法的土壤碱解氮含量预测模型。研究表明,由于仪器性能稳定,样品的颗粒度比较小和均匀,本次实验原始光谱数据建模效果最好;各种波长筛选方法均可有效减少参与建模的波长数,且连续投影算法优于全谱建模,所选波长数仅为全谱波长数的1%,其预测决定系数（R²）、预测均方根误差和相对分析误差值分别为0.726,3.616,1.906。这表明连续投影算法可以有效筛选水稻土碱解氮敏感波段,为土壤碱解氮传感器开发提供技术支持。     

顾及土壤湿度的土壤有机质高光谱预测模型传递研究

高光谱遥感技术作为当前遥感发展的前沿科技,通过电磁波与地物的相互作用,可以定量反演地物的物理化学性质。土壤有机质是重要的土壤养分信息参数,利用高光谱遥感技术快速获取其含量信息可以为精准农业的发展提供必要的数据支撑。然而,由于受到外部参数差异的干扰,导致建模精度降低的同时,还会造成已有模型传递性的“失效”。为了消除湿度差异的干扰,进一步拓展已有模型的适用空间,以江汉平原滨湖地区为例,通过对95个土壤样本进行加湿处理,在实验室自然风干的条件下,量测得到13套不同湿度等级土壤样本的可见—近红外反射光谱数据,建立了各湿度等级下土壤有机质的光谱反演模型,研究水分差异对建模精度的影响;在此基础上,运用Direct Standardization(DS)算法对湿土光谱进行校正,进而探讨该算法在提高模型传递性能方面的潜力。结果表明：基于风干土光谱建立的模型预测精度最高,未经校正的湿土光谱无法通过该模型进行土壤有机质含量预测,预测偏差在-8.34～3.32 g·kg-1,RPD在0.64～2.04;经过DS算法校正后的湿土光谱可以通过该模型进行土壤有机质含量预测,预测偏差降低至0,RPD值提高至7.01。研究表明DS算法能有效降低湿度差异对光谱反演土壤有机质的影响,使土壤有机质光谱反演模型适用于不同水分含量的土壤样本。     

一种用于可见-近红外光谱特征波长选择的新方法

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见一近红外光谱特征波长的新方法(SA-LS-SVM).该方法用LS-SVM作为识别器,用识别率作为SA的目标函数,提取合适的特征波长数以及对应的特征波长.3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA_LS-SVM,主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理,提取特征波长或主成分,然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测.结果发现,SA-LS-SVM只需从751个数据光谱中提取4个特征波长,就可以使三种品牌润滑油的识别率达到了100%,而其他所有的方法发现预测率都达不到100%,由此验证了SA_LS-SVM的优越性.实验结果表明,SA-LS-SVM不仅能有效地减少建模的变量数,而且可以提高预测精度.     

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。     

可见-近红外光谱用于鉴别山羊绒与细支绵羊毛的研究

近红外光谱作为快速、无损的检测技术,近年来在国内外越来越受到广泛关注。针对山羊绒与细支绵羊毛的可见／近红外光谱的特点,提出了应用主成分分析(PCA)结合人工神经网络（ANN）进行山 羊绒与细支绵羊毛的鉴别,并建立了羊毛、羊绒分析模型。应用可见／近红外反射光谱获取山羊绒与细支绵羊毛的光谱曲线,利用主成分分析对原始光谱数据进行处理,根据主成分的累计贡献率99.8%选 取主成分数6,并将所选取的6个主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。实验结果表明,16个未知样本的鉴别全部 正确,表明可见／近红外光谱结合主成分分析和神经网络技术对山羊绒与细支绵羊毛进行快速鉴别是可行的。     

应用可见/近红外光谱进行纺织纤维鉴别的研究

为了实现纤维种类的快速鉴别,选用了棉、麻、毛、丝、天丝5种纤维,提出了一种用近红外光谱技术快速无损鉴别纤维品种的新方法。应用可见/近红外光谱漫反射技术测定各种纤维的光谱曲线,用主成分分析方法(PCA)对光谱数据进行模式特征分析,根据主成分的累积贡献率选用前6个主成分数进行建模和预测,通过建立最小二乘支持向量机模型(LS-SVM)对主成分分析模型进行优化,将前6个主成分作为最小二乘支持向量机的输入变量,建立PCA-LS-SVM模式识别模型,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个品种的纤维训练集样本200个用于PCA-LS-SVM的模型的建立,对其余预测集样本50个进行验证,结果能准确的区分预测集的5种纤维。并提出主成分分析结合最小二乘支持向量机的光谱数据分析方法具有很好的分类和鉴别作用,为纤维品种快速鉴别提供了一种新方法,为维护消费者权益,保证纺织品质量,实现纺织原料及其制品的合理化生产与交易具有重要的意义。     

基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别

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.     

基于光谱技术和连续投影算法的润滑油品牌快速鉴别研究

为了实现润滑油品牌的快速无损检测,提出了一种基于可见/近红外光谱透射技术与连续投影算法相结合的润滑油品牌快速鉴别新方法。采用连续投影算法对6种润滑油的可见/近红外光谱数据进行波长变量的筛选,再结合偏最小二乘法建立润滑油品牌的鉴别模型。结果表明,鉴别模型的相关系数r为0.9721,预测均方根误差RMSEP为0.4055,鉴别正确率为91.7%。说明提出的连续投影算法结合偏最小二乘算法具有很好的预测效果。     

可见/近红外光估测完整柑橘水果可溶性固形物含量的研究

研究用可见/近红外光谱(Vis/NIR spectroscopy)漫透射方式对柑橘类水果的可溶性固形物含量(SSC)进行了无损、快速定量分析。通过自行设计的Vis/NIR光谱系统测定了110个柑橘样品的SSC。82个柑橘样品用来建模,其余28个用来验证模型的性能。对实验室测得的柑橘水果的SSC实际值与Vis/NIR光谱数据进行相关性分析,用光谱定量分析软件中集成的偏最小二乘回归法(PLS)和主成分回归法(PCR)建立校正和预测模型。对比了不同光谱预处理方法, 如微分处理, 标准归一化处理(SNV), 多元散射校正(MSC)和Savitzky-Golay 光谱平滑方法)对模型检测结果的影响。根据预测平方根误差(RMSEP)和相关系数(r2)进行不同模型的预测性能评价,建立的最好的柑橘水果SSC预测模型的RMSEP＝0.538%,r2＝0.896。结果表明Vis/NIR可以作为一种准确、快速的无损检测方法来评价柑橘类水果的可溶性固形物含量。