FTIR结合化学计量学对三七产地鉴别及皂苷含量预测研究

不同产地对中药次生代谢产物有显著影响,产地鉴别有助于中药的科学合理利用;其次,有效成分含量检测是评价中药质量的主要手段。通过傅里叶变换红外光谱结合化学计量学建立快速鉴别三七产地及测定三七中四种主要皂苷的方法,为三七的科学、合理、规范使用以及对三七质量进行快速评价提供依据。采集5个区域12个产地117个三七样本的红外光谱。产地鉴别预处理数据采用离散小波变换除去噪音造成的部分高频信号,偏最小二乘判别对产地判别贡献率大于1的数据进行筛选,kennard-stone算法将117个个体分为70%训练集与30%预测集。训练集数据用于建立支持向量机判别模型,交叉验证法用于筛选支持向量机最优参数,预测集数据对支持向量机判别模型结果进行验证。皂苷含量预测预处理数据采用标准正态变量变换、离散小波变换处理;处理的红外数据设为X变量,三七样品中通过高效液相色谱法测得的四种皂苷总量设为Y变量,采用正交信号校正去除红外光谱中与四种皂苷总量无关的干扰数据。个体数据分为80%训练集与20%预测集,训练集建立偏最小二乘回归模型,预测集数据对偏最小二乘回归模型的预测结果进行验证。结果显示： (1)交叉验证法得到支持向量机判别模型的最优参数为c=2.828 43,g=0.062 5,训练集的产地判别最优正确率为91.463 4%;(2)支持向量机判别模型参数设置为最优参数,代入预测集数据,预测集的产地判别正确率为94.285 7%,判别正确率较高;(3)训练集建立偏最小二乘回归模型的相关系数R2=0.941 8,校正均方差RMSEE=4.530 7;(4)代入预测集数据,预测集的相关系数R2=0.962 3,外部检验均方差RMSEP=3.855 9,皂苷预测值与高效液相检测值接近,预测效果良好。傅里叶变换红外光谱结合支持向量机能对三七进行产地鉴别,正交信号校正结合偏最小二乘回归能对三七中四种主要皂苷总量进行准确预测,为三七质量控制提供一种快速简便、无损、高灵敏度的检测方法。     

傅里叶中红外光谱结合稀疏表示分类方法鉴别小麦赤霉病感染等级

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应,并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。以感染不同等级赤霉病小麦为研究对象,在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据,利用载荷系数法（XLW）与随机森林算法（RF）分析选取小麦样本傅里叶中红外光谱中的敏感波长,利用稀疏表示分类（SRC）算法建模识别小麦感染赤霉病等级。结果表明：XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上,特征波长提取算法可以有效简化模型并提高效率。RF-SRC模型鉴别效果最好,建模集鉴别准确率达97%,测试集鉴别准确率达96%。小麦感染赤霉病等级的不同会引起小麦中水分、淀粉、纤维素、可溶性氮素、蛋白质、脂肪等物质含量的变化,采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异,结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。因此,利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的,解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。     

基于红外光谱的石斛品种判别分析

测试了30个品种206株石斛茎的红外光谱,光谱显示,石斛的主要物质成分为纤维素等多糖物质。用石斛的傅里叶变换红外光谱结合Wilks’Lambda逐步判别分析法对石斛品种进行识别研究,比较分析了不同的光谱范围和不同的训练样本数对识别结果的影响。对1 800~1 250cm-1光谱范围的287个变量进行品种判别分析,每个品种的训练样本分别为2,3,4,5,6个时,对训练样本的回判正确率都是100%;以余下的样本作为测试样本进行品种预测的正确率分别为79.4%,91.3%,93.0%,98.2%,100%。同时对1 800~1 500,1 500~1 250,1 250~600,1 250~950,950~600cm-1等不同光谱范围,按五种不同的训练样本情况,相同的判别分析方法进行判别分析比较,1 800~1 250,1 800~1 500和950~600cm-1光谱范围的变量更适宜进行石斛品种的判别分析;每个品种的训练样本达到3个及以上时,建立的模型判别分析结果较好。结果表明,傅里叶变换红外光谱结合逐步判别分析法对不同品种的石斛进行鉴别,能够较好的识别石斛的品种,为石斛品种的鉴别提供了一种简便、易行的新方法。     

红外光谱和逐步判别分析应用于金银花品种和产地的鉴别

基于傅里叶变换红外光谱技术,利用逐步判别分析法对金银花品种和产地进行鉴别研究。采集、测试了5个产地9个品种150份金银花样本的红外光谱,并计算了各样品红外光谱的一阶导数光谱和二阶导数光谱。分别选用不同的样本组成训练集和检验集,以1800～900 cm~(-1)、1500～700 cm~(-1)和1200～700 cm~(-1)波数范围的红外光谱、一阶导数光谱和二阶导数光谱数据为判别变量建立判别模型对金银花的品种和产地进行鉴别。判别结果显示,以1800～900 cm~(-1)波数范围的二阶导数光谱数据为判别变量建立的模型鉴别效果相对较好,对品种和产地的鉴别正确率依次达93.20%和96.13%。研究结果表明,采用逐步判别模式识别可以很好地鉴别不同品种和产地的金银花,方法可行有效,可为金银花品种和产地朔源提供方法。     

傅里叶变换红外光谱结合化学计量学鉴别预包装纯菠萝汁中外源糖

为了快速、准确鉴别预包装纯菠萝汁是否掺有外源性糖,采用傅里叶变换衰减全反射中红外光谱技术采集900～1 500 cm-1范围内不同批次的预包装纯菠萝汁样品和掺入甜菜糖浆、大米糖浆、木薯糖浆的菠萝汁掺假样品的中红外光谱共计234例,以线性判别分析和支持向量机分析为掺假鉴别模型的建模方法,比较了全波段谱图与通过主成分载荷系数分析选取特征波长图谱的两种掺假鉴别模型。研究表明,全波段图谱的线性判别分析和支持向量机分类模型对验证集的判断正确率均高于88%;选取8个特征波长之后,线性判别分析模型验证集判断正确率提高至96.15%,支持向量机模型验证集判断正确率提高至94.87%,且模型输入变量由312个减少到8个。利用傅里叶变换衰减全反射中红外光谱技术结合化学计量学方法选取特征波长后建立的模型可以较好的应用于预包装纯菠萝汁外源糖的鉴别。     

近红外光谱和多分类器融合的葡萄酒品种判别研究

将多种单分类器模型融合,并用融合后的模型对不同品种干红葡萄酒进行判别分析。用BRUKER MPA傅里叶变换型近红外光谱仪采集170个干红葡萄酒样品的近红外透射光谱,选取PLS-DA,SVM,Fisher和AdaBoost作为单分类器建模方法,分别建立葡萄酒品种判别模型,通过差异性度量值对单分类器进行筛选,得到差异性较大的四个单分类器作为基分类器,其中基分类器对测试集葡萄酒品种判别准确率最高为88.24%,最低为81.18%。然后通过加权投票机制对基分类器进行融合,融合后的模型对测试集葡萄酒品种判别准确率提高至92.94%,误判样品个数由单分类器最少的9个降为6个。实验结果表明多分类器融合所建立的模型优于传统近红外光谱定性分析一般采用单分类器模型结果,提高了葡萄酒品种判别的准确性,采用基于近红外光谱的多分类融合方法对葡萄酒种类判定具有可行性。     

高光谱成像的机采籽棉杂质分类检测

机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据,对提升皮棉品质具有重要意义。但由于籽棉棉层分布不均匀,使得图像检测难度增大,使用传统的检测方法无法有效检测各类杂质。采用高光谱成像方法对机采籽棉中的棉叶、棉枝、地膜和铃壳（内外）五种杂质进行分类判别检测。首先采集120个机采籽棉样本的高光谱图像,选取感兴趣区域获取平均光谱曲线。发现由于物质构成的差异,不同杂质体现出不同的吸收和反射特性,不同种类物质之间的光谱差异大于同类物质。对提取的平均光谱曲线进行主成分分析（PCA）,结果显示棉花、残膜和铃壳外与其他三类相比,有较好的聚集性和可分性,但是棉叶、铃壳内和棉枝三类相互叠加在一起,空间分布存在严重交叉重叠。以提取的平均光谱曲线为训练样本,选择线性判别分析（LDA）、支持向量机（SVM）和神经网络（ANN）三种分类判别算法,对算法参数进行寻优,并建立机采籽棉杂质分类判别模型。其中,经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性,采用正则化防止过拟合,得到训练集准确率为86.4%,测试集准确率为86.2%;SVM模型的参数寻优结果为C=105,g=0.1,其训练集准确率为83.42%,测试集准确率为83.40%;ANN模型参数寻优得到隐含层数和神经元个数分别为2和17,训练集准确率为82.9%,测试集准确率为81.8%。对三种模型的分类效果和检测用时进行比较,LDA模型结果最优。通过对高光谱图像进行像素等级分类判别,结果显示棉花识别效果较好,植物性杂质都被有效检测,但是地膜和棉花存在误识别,分类效果与杂质光谱的分类判别模型结果一致。因此,采用高光谱成像技术可以快速、无损的检测和识别籽棉杂质,为棉花加工装备提供反馈参数,对棉花加工机械化和智能化有重要意义。     

概率神经网络在胃镜样品红外光谱检测中的应用

将人工神经网络方法应用于人体胃镜样品红外光谱检测,以克服常规线性判别分析方法的局限性,从而提高了胃镜样品判别的准确率。概率神经网络是一种适用模式分类的径向基神经网络,采用样本的先验概率和最优判定原则对新的样本进行分类,具有识别率高、训练速度快、不会陷入局部极值等优点。文章采用概率神经网络进行胃镜样品红外光谱模式识别,将预处理后的胃镜样品光谱进行主成分分析,将得分值作为输入,建立概率神经网络判别模型。文中选取118例胃镜离体样品进行红外光谱判别分析,其中正常胃组织19例,胃炎组织64例,胃癌35例,选取其中59例样品建立概率神经网络校正模型,其余样品作为预测集来检验模型。实验结果表明,正常、炎症及癌症胃镜样品检测的总体准确率达到81.4%,对胃镜样品的判别取得了较好的结果。     

小米的傅里叶变换红外光谱研究

本文利用傅里叶变换红外光谱(FTIR)结合主成分分析和聚类分析对白小米、黄小米、糯小米、青小米、陈黄小米、黑小米和大黄米进行鉴别研究。所有样品的傅里叶变换红外光谱整体相似,二阶导数光谱存在明显的差异。选取1800~1400cm-1范围内的二阶导数光谱数据对52份小米样品做多变量分析,结果显示,主成分分析的分类准确率为84.6%,系统聚类分析的分类准确率为92.3%。结果表明傅里叶变换红外光谱技术结合化学计量学能有效地区分不同品种的小米,为不同小米的分类鉴定提供新的方法与途径。     

可见近红外高光谱成像对灵武长枣定量损伤等级判别

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域（region of interest,ROI）并计算样本平均光谱值。利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均（MA）、卷积平滑（SG）、多元散射校正（MSC）、正交信号修正（OSC）、基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、无信息变量消除（UVE）、竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。     

滇龙胆不同炮制品的傅里叶红外光谱鉴别

中药炮制是中医临床用药的关键,炮制具增效、减毒、缓和药性等作用,为了临床安全、合理、有效地使用中药,开展中药炮制品的鉴别研究具有重要意义。采用傅里叶变换红外光谱,对五种不同炮制样品(包括龙胆、生龙胆、酒龙胆、醋龙胆、盐龙胆)60份滇龙胆进行鉴别分析。采集样品的中红外光谱图,用基线校正和归一化法对原始光谱进行预处理,去除光谱噪音明显部分,选择3 400~600cm~(-1)范围内的光谱,利用多元散射校正(MSC)和标准正态变量(SNV)法进行处理,样品按3∶1分为校正集和预测集,并建立主成分分析(principal component analysis,PCA)和判别分析(discriminant analysis,DA)模型。结果显示,滇龙胆不同炮制品的红外图谱具有差异,主要吸收峰有3 378,2 922,1 732,1 610,1 417,1 366,1 316,1 271,1 068,1 048cm~(-1)。1 738,1 643,1 613,1 420,1 051cm~(-1)附近为龙胆苦苷的特征吸收峰,1 068,1 048,935cm~(-1)处为糖类物质的吸收峰;主成分分析表明,前三个主成分方差累积贡献率为94.05%,能够反映原始数据的大部分信息,酒龙胆和醋龙胆与其他样品之间存在明显的差异,龙胆与盐龙胆所含化学成分差异较小;经基线校正和归一化法处理后的光谱结合多元散射校正法,在主成分数为10的条件下,判别分析模型可对所有样品进行正确识别,具有良好的预测性能。结果表明,傅里叶红外光谱法是一种快速、无损、有效的方法,可用于滇龙胆炮制品的鉴别,为中药炮制品的鉴别研究提供了借鉴。     

显微红外光谱法无损识别林下山参与园参

显微红外光谱分析技术是将红外光谱仪和显微镜结合发展而来的分析技术。该技术样品处理简单,可用于微区分析和微量分析,并且能反映样品的本质特征。人参包括林下山参、园参和野山参,而我国禁止采挖野山参。因此,药典只收录了林下山参和园参。该工作使用显微红外光谱技术,结合判别分析建立了对林下山参和园参的无损识别模型。收集了20个林下山参和24个园参后,采集了其显微红外光谱。其中,33个样品被随机划分为校正集,11个为验证集。建立模型时,优化了预处理方法、主成分数、建模波段和扫描部位。最后,使用多元散射校正+Savitzky-Golay平滑的预处理方法、3932.14～669.18 cm-1的波段、4个主成分数和芦头部位建立了最优的判别分析模型,准确率达到100%。结果表明,结合判别分析的显微红外光谱技术,样品处理简单、快速、无损、有效,可用于林下山参和园参的无损识别。     

红外光谱法与荧光光谱成像技术结合神经网络对正毛化橘红的快速鉴别

为探究一种快速、可靠的化橘红检测方法,本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器(MLP)神经网络所构建的模式识别方法,对化橘红进行鉴别,并对两种方法进行了比较。实验以81个正毛化橘红,37个其他品种橘红共118个样品为研究对象,采集所有样品的红外光谱和荧光光谱图像。根据光谱曲线中不同样品间的差异,取红外光谱中550-1800 cm-1区段范围内的光谱数据和荧光光谱曲线中的400～720 nm区段的光谱数据进行分析,应用主成分分析法(PCA)对化橘红的光谱数据进行降维处理,再结合MLP神经网络对化橘红样品进行判别分析。实验中分别使用多元散射校正(MSC)、标准正态变量校正(SNV)、一阶导(FD)、二阶导(SD)以及Savitzky-Golay(SG)平滑数据预处理方法,并比较他们对鉴别模型的影响。分析结果表明：利用红外光谱法(FTIR/ATR),经由Savitzky-Golay(SG)平滑预处理得到的数据,通过隐层函数为sigmoid的三层MLP模型,能够得到最优正毛化橘红识别率,其结果训练集和测试集的识别率都为100%;利用荧光光谱成像技术,由多元散射(MSC)预处理的结果是最理想的。经过预处理的数据,通过隐层函数为sigmoid函数的三层MLP模型,训练集识别率达到100%,测试集识别率达到96.7%。由此可见,衰减全反射红外光谱法(FTIR/ATR)和荧光光谱成像技术分别与MLP神经网络构建的识别模式,均可对化橘红的判别达到快速、可靠的效果。     

基于白术FTIR的径向基函数神经网络鉴别研究

为了鉴定白术及其伪品,采用径向基函数神经网络(RBF)分别测试了白术及其伪品的傅里叶变换红外光谱。采用36个样本作训练集,27个样本作检验集,用各种模式的BPF进行了监督性训练。当训练目标误差平方和定为0.01时,各类RBF对训练集中白术样本识别的正确率均为100%,但对检验集样本识别的结果各不相同,其识别的正确率与隐含层节点数S₁有关。发现当S₁较大时,识别正确率反而下降,可能此时网络的非线性程度过高,使其不适合于该类样本集的训练。线性—线性型RBF识别的结果随S₁的变化不是很大,但识别的正确率不高,基本在85%左右。非线性—线性型RBF识别的结果最佳。当S₁为3时,其识别正确率超过了97%。因此该法可用于简便、快速、准确地识别白术及其伪品。     

利用Tikhonov正则化算法进行光谱特征波长的选择及其参数优化

在烷烃类多组分混合气体,尤其轻烷烃类气体傅里叶变换红外光谱定量分析中,其中在红外光谱区域吸收峰严重交叉重叠,不易建立定量分析模型。为此,采用Tikhonov正则化算法对甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷和正戊烷等七种轻烷烃类混合气体傅里叶变换红外光谱进行特征波长的选择,以便建立定量分析模型。选择六种各气体浓度组成混合烷烃气体,采用Tikhonov正则化算法,通过对比分析混合气体在中红外全波段、主吸收峰和次吸收峰波段特征波长的选择和TR参数的优化,选择出七种气体成分的傅里叶变换红外光谱的特征波长。利用选择的特征波长和Tikhonov正则化参数对实测甲烷光谱数据进行检验分析,与其他气体成分的交叉灵敏度最大为11.153 7%,最小为1.239 7%,预测均方根误差为0.004 8,有效增强了Tikhonov正则化算法在轻烷烃类混合气体定量分析中的实用性,初步验证了利用Tikhonov正则化进行烷烃类混合气体傅里叶变换红外光谱特征波长选择的可行性。     

红外光谱的陆生动物油脂中反刍动物成分鉴别分析

为有效应对违法掺加导致的饲料安全隐患,完善饲用油脂的高效检测手段,满足饲料质量安全的监管需求,以来源可靠的不同种属动物油脂为研究对象,通过在非反刍动物油脂中掺加不同比例（1%,5%,10%,20%,30%和40% W/W）的反刍动物油脂获得试验样品,首次系统应用傅里叶变换红外光谱结合化学计量学方法探讨了陆生动物油脂中掺加反刍成分的鉴别分析方法与模型。研究表明基于掺加比例1%～40%样品集,偏最小二乘判别分析模型正确判别率为100%,无假阳性和假阴性样品;进一步研究发现,基于陆生动物油脂中反刍成分低掺加比例0.1%～40%,0.2%～40%,0.4%～40%,0.6%～40%和0.8%～40%样品集,偏最小二乘判别分析模型的正确判别率均低于100%。且随着最低掺加比例的降低,假阳性与假阴性样品数明显增多,其正确判别率逐步降低。因此,陆生动物油脂中掺加反刍成分判别分析检量限约为1%;进一步通过脂肪酸组成与差异性分析、红外光谱特征波段和特征化学键对比分析探讨其判别分析机理。非反刍动物油脂光谱3 006 cm-1处吸收峰（代表=C-H(cis-)的拉伸振动）和914 cm-1处吸收峰（代表=HC=CH-(cis-)的弯曲振动）明显高于反刍动物油脂样品,主要表征了顺式脂肪酸和不饱和脂肪酸的显著差异。非反刍动物油脂光谱965 cm-1处吸收峰（代表-HC=CH-(trans-)的弯曲振动）明显低于反刍动物油脂样品,主要表征了反式脂肪酸和饱和脂肪酸的显著差异。掺加比例为1%的混合样品中反式C=C键含量显著高于其他低掺加比例的样品,而不同掺加比例样品的顺式C=C键含量和C-H(-CH₂-)键含量均无显著性差异。因此,基于红外光谱的陆生动物油脂中反刍动物成分鉴别分析主要是基于反式C=C键结构的信息表征。综上所述,红外光谱可作为一种兼顾检测效率与检测精度的技术应用于陆生动物油脂中反刍成分的鉴别分析。     

基于DPLS特征提取的LDA方法在玉米近红外光谱定性分析中的应用

提出了一种基于DPLS+LDA的玉米近红外光谱定性分析新方法.该方法在训练时,首先用包含30个玉米品种每个品种20个近红外光谱样本的训练集进行DPLS回归,确定最佳DPLS主成分数为28;然后对训练集光谱进行DPLS特征提取后再进行LDA分析,确定最佳LDA主成分数为26,并提取LDA特征.识别时,测试样本经过DPLS...     

红外光谱结合PCA-LDA对嘉峪关戏台文物建筑彩画胶料种类的判别

为了判别嘉峪关戏台文物建筑彩画的胶料种类,采用皮胶、鱼鳔胶、蛋清、蛋黄、牛奶为参考样品,使用傅里叶红外光谱仪采集了参考样品及三件文物样品胶料的红外吸收光谱,利用主成分分析结合线性判别分析（PCA-LDA）构建胶料种类判别的数学模型,并应用于文物样品。发现参考样品红外光谱在1 800～1 000 cm-1区间包含了丰富的分子结构特征信息。该区间中蛋白类胶料的共同特征为1 650 cm-1附近的仲酰胺C═O键伸缩振动峰,1 542 cm-1附近的酰胺C-N键伸缩振动和N-H键弯曲振动峰,1 240 cm-1附近的酰胺C-N键伸缩振动峰。此外,蛋黄、皮胶和牛奶因其中含有较多脂类物质,在1 745 cm-1附近还存在饱和脂肪酸酯羰基C═O键伸缩振动峰。在此基础上,通过对参考样品红外吸收光谱主成分得分散点图的分析,发现不同胶料参考样品的红外光谱类间差异显著。据此,使用参考样品红外光谱的主成分得分为训练集,添加类别变量拟合判别函数,绘制函数组质心图并进行交叉验证,得出方程的判别正确率为93.3%。发现因老化降解导致三件文物样品的红外吸收光谱与参考样品光谱有所不同,但仍具有蛋白类胶料的特征。利用PCA-LDA分析模型对文物胶料种类进行判别,结果均为皮胶。该胶料种类判别模型稳定、有效,用该模型判定嘉峪关建筑彩画胶料为动物胶中皮胶。     

近红外光谱信息筛选在玛咖产地鉴别中的应用

食药植物玛咖富含多种营养成分,极具药用价值。采用近红外漫反射光谱,对采自秘鲁及云南共139份玛咖样品进行产地鉴别。采用多元信号校正结合二阶导数和Norris平滑预处理光谱,利用光谱标准偏差初步选择光谱波段（7 500～4 061 cm-1）,结合主成分-马氏距离（principal component analysis-mahalanobis distance,PCA-MD）筛选出适宜的主成分数为5。基于所筛选的光谱波段及主成分数,利用“模群迭代奇异样本诊断”方法剔除2个异常样品后,分别采用竞争自适应重加权法（competitive adaptive reweighted sampling,CARS）、蒙特卡洛-无信息变量消除法（monte carlo-uninformative variable elimination,MC-UVE）、遗传算法（genetic algorithm,GA）和子窗口重排（subwindow permutation analysis,SPA）四种方法筛选光谱变量信息,利用模型集群分析（model population analysis,MPA）思想对所筛选的光谱变量信息进行评价。结果显示,RMSECV（SPA）>RMSECV（CARS）>RMSECV（MC-UVE）>RMSECV（GA）,分别为2.14,2.05,2.02,1.98,光谱变量数分别为250,240,250和70。采用偏最小二乘判别分析法（partial least squares discriminant analysis,PLS-DA）对四种方法筛选的光谱变量建立判别模型,随机选择97份样品作为建模集,其余40份样品作为验证集。通过R2,RMSEC和RMSEP分析可知,R2： GA>MC-UVE>CARS>SPA,RMSEC和RMSEP： GA相似文献