高光谱结合主成分分析的苎麻品种识别

苎麻（Boehmeiria nivea L）是我国的特产,作为一种传统的纤维作物,一直有着较高的经济地位。开发一种基于高光谱的、新型高效的苎麻品种识别方法,有利于苎麻栽种、种质资源开发利用,为实现苎麻高产优质及麻田精准管理提供关键技术支撑,对提高苎麻产量和品质有重要意义。为了将高光谱技术应用于苎麻品种识别,采集了9个不同基因型苎麻品种,利用地物光谱仪测定苎麻叶片高光谱反射率,共1 458个叶片高光谱数据,利用主成分分析(PCA)对高光谱数据进行降维,探讨PCA最佳主因子个数的确定方法,比较不同主因子个数与不同判别分析(DA)方法--即线性判别分析(LDA)、二次判别分析(QDA)和马氏距离判别分析(MD-DA)组合,在建立基于叶片高光谱的苎麻品种识别模型中效果。对全波段的数据样本进行主成分分析之后,以2～20个主成分作为特征变量,分别建立LDA,QDA和MD-DA三种品种判别模型进行预测,以预测集正确率为评价标准,比较各种组合的效果。结果表明,若以累积贡献率≥85%为标准,选择2个主成分时,LDA,QDA和MD-DA三种判别模型预测集正确率分别为32.92%,38.48%和33.54%;以特征值≥1为标准,选择11个主成分时,三种判别模型预测集正确率分别为68.72%,87.04%和83.54%;若以预测集正确率为优先考虑标准,将主成分个数增加至20个时,三种判别模型正确率有较大提高,分别为84.98%,95.68%和95.27%。由此,得到如下结论：①利用PCA组合DA方法建立基于苎麻叶片高光谱的品种识别模型是可行的,但因子数不同、DA判别标准不同、组合方法不同效果差异非常大;②主因子个数对识别结果的影响较为明显,适当增加主成分个数可以显著提高模型判别正确率,因此不应局限于PCA特征值和方差累积贡献率的选择方法;③主因子个数相同时,三种判别标准中,QDA效果最好,LDA效果最差;④最佳组合是20个主成分+QDA方法,其数据维度大大降低（由全波段的2 031维降低20维）,而预测集正确率为95.68%。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

显微共聚焦拉曼光谱技术结合化学计量法鉴别静电复印纸

静电复印纸的鉴别是法庭科学物证检验中的一项重要工作。建立显微共聚焦拉曼光谱技术结合化学计量学检验、鉴别不同品牌、型号静电复印纸的分析方法,以实现对静电复印纸的无损检验和准确鉴别。收集不同品牌、不同型号的静电复印纸共计20种,利用激光波长为785 nm的半导体激光器,采集不同纸张样品的拉曼光谱数据,分析每种纸张样品中的主要特征峰及对应的物质成分;将光谱数据使用沃尔德系统聚类分析法进行分类,并采用主成分分析法评价聚类分析的鉴别结果。研究发现,不同纸张样品的主要特征峰集中在900～1 700 cm^-1范围内,分别位于714, 892, 1 092, 1 119, 1 143, 1 343, 1 385, 1 470, 1 510和1 600 cm^-1附近,主要成分为纤维素、木素和碳酸钙;各纸张样品的光谱曲线虽然相互交叠,但峰强度和峰面积存在一定差异,可利用化学计量学中的聚类分析和主成分分析对纸张样品的光谱数据进行分类鉴别。根据系统聚类分析的树状图和按计划表绘制的散点图可将20种不同品牌、不同型号的静电复印纸样品分为四类,其中第Ⅰ类中包含10份样品,...     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

Megavariate analysis of environmental QSAR data. Part I – A basic framework founded on principal component analysis (PCA), partial least squares (PLS), and statistical molecular design (SMD)

This paper introduces principal component analysis (PCA), partial least squares projections to latent structures (PLS), and statistical molecular design (SMD) as useful tools in deriving multi- and megavariate quantitative structure-activity relationship (QSAR) models. Two QSAR data sets from the fields of environmental toxicology and environmental chemistry are worked out in detail, showing the benefits of PCA, PLS and SMD. PCA is useful when overviewing a data set and exploring relationships among compounds and relationships among variables. PLS is the regression extension of PCA and is used for establishing QSARs. SMD is essential for selecting informative training and test sets of compounds for QSAR calibration and validation.     

基于高光谱图像的生菜叶片水分预测研究

为了便于生菜合理施水管理,力求构建生菜叶片水分检测模型。采集生菜叶片获取高光谱图像并同时测量叶片含水率,分析高光谱图像寻求生菜叶片水分特征波段,处理特征波段处的波段图像,求取生菜叶片水分的图像特征,并通过相关性分析筛选出其中与水分相关性高的图像特征。由于图像特征之间存在可能的相关性,利用偏最小二乘PLS提取图像特征的主成分,作为具有回归预测能力的BP神经网络的输入,构建PLS-ANN模型。同时分别利用BP神经网络、传统的多元回归方法MLR建模,采用相同的样本数据分别对三种模型进行预测试验,结果表明,发棵期的PLS-ANN网络模型的生菜叶片水分预测平均误差率达到9.323%,比BP-ANN和MLR预测模型均有了改善。     

近红外光谱波段优化选择在驴奶成分分析中的应用

近年来,驴奶引起了越来越多研究者的注意.与牛奶相比,驴奶的营养成分更接近母乳,且有着许多独特的优势.由于驴奶与牛奶成分差别较大,适用于牛奶的模型无法直接应用于驴奶的成分分析中.但目前还未见将近红外光谱分析技术应用到驴奶成分分析中的研究报道.文章采用傅里叶变换近红外光谱法,快速测定了新疆疆岳驴奶中脂肪、蛋白质、能量和灰分的含量.其含量分布范围分别为:1.15%～2.54%,0.34%～2.67%,355.87～565.17 cal·kg-1,0.28%～0.57%.光谱扫描区为3 899.6～12 493.4 cm-1,扫描间隔1 cm-1.采用PLS回归算法对光谱信息阵X提取主成分时附加约束,使X的主成分与待分析组分Y相关.并利用优化波段和不同预处理方法优化组合,建立了PLS回归预测模型,并与PLS全谱区建模预测进行了比较.结果表明波段优化组合建模分析效果整体优于全谱区建模结果,驴奶样品中脂肪、蛋白质、能量和灰分的近红外光谱定量分析模型预测值与化学分析实测值在水平α=0.05下显著相关,其含量分析模型的校验集(RMSEP)值分别为0.18,0.117,23.5,0.040 6,表明预测值有较好的精度.结果表明建立近红外光谱定量分析模型用于驴奶样品成分分析是可行的,波段优化选择与全谱建模分析效果比较表明,建立定量分析模型对波段优化组合选择是必要的,当模型中包含了与组分无关的信息时,对模型定量分析将起干扰的作用,会影响模型的分析效果.因此进行谱段信息选择建立相应组分分析模型是数据预处理的有效环节.样品各组分标准值的测定结果的准确度和精确度都影响近红外定量分析的准确度.以近红外光谱法进行定量建模分析时,扩大组分含量的分布范围,提高标准数据的分析精度和准确度都是很必要的.     

A categorical framework for quantum theory

Underlying any physical theory is a layer of conceptual frames. They connect the mathematical structures used in theoretical models with the phenomena, but they also constitute our fundamental assumptions about reality. Many of the discrepancies between quantum physics and classical physics (including Maxwell's electrodynamics and relativity) can be traced back to these categorical foundations. We argue that classical physics corresponds to the factual aspects of reality and requires a categorical framework which consists of four interdependent components: boolean logic, the linear‐sequential notion of time, the principle of sufficient reason, and the dichotomy between observer and observed. None of these can be dropped without affecting the others. However, quantum theory also addresses the “status nascendi” of facts, i.e., their coming into being. Therefore, quantum physics requires a different conceptual framework which will be elaborated in this article. It is shown that many of its components are already present in the standard formalisms of quantum physics, but in most cases they are highlighted not so much from a conceptual perspective but more from their mathematical structures. The categorical frame underlying quantum physics includes a profoundly different notion of time which encompasses a crucial role for the present. The article introduces the concept of a categorical apparatus (a framework of interdependent categories), explores the appropriate apparatus for classical and quantum theory, and elaborates in particular on the category of non‐sequential time and an extended present which seems to be relevant for a quantum theory of (space)‐time.     

基于PCA的土壤Cd含量高光谱反演模型对比研究

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要。高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力。针对高光谱信息冗余及光谱变换对土壤镉（Cd）含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能。首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线（350～2 500 nm）;为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析（PCA）对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量。针对高光谱反演模型,研究选择了偏最小二乘（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数（R2）、均方根误差（RMSE）和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99%,作为模型的输入变量,四种模型均具有一定的预测能力。无论光谱变换与否,PCA-RF反演模型的预测能力均为最好（R2分别为0.856和0.855,RPD均高达3.39）。利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力。以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑。     

NMR Analysis of the Water-Soluble Fraction of Airborne Pollen Particles

The analysis of ambient organic aerosols by nuclear magnetic resonance (NMR) spectroscopy is limited because of the large number of organic compounds present at low concentrations. Here, we demonstrate the integrative analysis of NMR spectra of airborne pollen particles using reference spectra, spectral similarity metrics, principal components analysis (PCA), and a chemical mass balance model to determine the predominant types of organic compounds. Strong associations among glucose, fucose, specific amino acids, and airborne pollen particles were observed by spectral similarity metrics and PCA. Carbohydrates accounted for about 51 % of the airborne pollen particles in the spectrum followed by amino acids (42 %) and other compounds (7 %). Overall, our investigations showed that analysis of NMR spectral data of mixtures of environmental organic compounds with pattern recognition methods may generate information on the chemical characteristics of the mixture.     

干涉光谱结合偏最小二乘法反演热液CH4的研究

热液释放的高温甲烷气体经扩散作用先后进入海洋和大气,并对地球物理、化学和生物方面产生深刻影响。由于海洋溶解甲烷数据的缺乏,导致人们对深海热液释放甲烷的活动机制和环境效应还缺乏足够的认识。我们前期提出一种光学被动成像干涉系统OPIIS用于热液甲烷浓度、温度和压强的实时探测和长期观测。为了从OPIIS的干涉光谱中精确、稳定、快速的获取热液甲烷信息,采用将干涉光谱与偏最小二乘法相结合的方法处理OPIIS数据。首先分别建立三个甲烷浓度、温度和压强的单因变量预测模型,再利用干涉条纹与辐射光谱的关系,间接建立干涉光谱与甲烷浓度、温度和压强的PLS预测模型,提高了预测模型在实际应用中的抗干扰能力和稳定性。基于洛仑兹线型建立了不同于大气环境的深海气体辐射模型,并利用HITRAN2016分子光谱数据库的光谱参数,建立了深海甲烷在任意浓度、任意温度和任意压强下的辐射光谱数据库。挑选热液其他气体对甲烷探测干扰较小的甲烷泛频带1.64～1.66 μm内的六条谱线建立甲烷辐射光谱与浓度、温度和压强的偏最小二乘回归模型。另外,分析了训练集取样个数、取样间隔和主成分个数对提高预测模型综合性能的作用。利用不同训练集样本数,不同训练集取样间隔和不同的主成分数,分别建立96个浓度、温度和压强预测模型,并分别利用25组预测集样本对预测模型进行交叉验证。不同模型预测均方根误差和决定系数的对比表明,训练集取样个数、取样间隔和主成分个数等单一因素的改变并不能同时提高预测模型的预测精度、稳定性、适用范围和运算量等综合性能。经过平衡选取各项指标确定的最优回归模型的参数为：浓度、温度和压强的适用范围分别为5～375 mmol·L-1,580～678 K,10～34.5 MPa, 浓度、温度和压强的训练集取样个数分别为50组,25组,25组,采样间隔分别为5 mmol·L-1,2 K,0.5 MPa, 浓度、温度和压强预测模型的主成分数分别为2,2,5。浓度、温度和压强预测模型的预测均方根误差分别为3.082×10-6,0.977 0,5.052×10-3,决定系数分别为0.999 9,0.998 9,0.999 9。浓度、温度和压强的预测误差分别为±1.21×10-7,±3.63×10-3,±9.49×10-4,对应的预测精度分别为±45.4 nmol·L-1,±2.5 K,±3.3×10-2 MPa。结果表明,干涉光谱结合偏最小二乘法的反演算法可以精确、稳定、快速的获取热液甲烷气体的浓度、温度和压强信息。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

高光谱成像技术的柚类品种鉴别研究

柚类种质和品种资源繁多,现有的柚类品种鉴别方法检测时间长,费用高。旨在利用高光谱成像技术探索主要柚类品种快速识别的可行性。试验选用4个具有代表性的柚类品种,利用高光谱成像技术,采集240个叶片样本(60个/品种)上表面和下表面的高光谱图像。高光谱图像标定后,提取样本感兴趣区域平均光谱信息作为样本的光谱进行分析。利用Kennard-Stone法将样本划分为校正集(192个)和验证集(48个)。采用多元散射校正(MSC)和标准正态变量变换(SNV)对原始光谱曲线进行预处理后,分别采用主成分分析 (PCA)和连续投影算法 (SPA )提取最佳主成分和有效波长,并将其作为最小二乘支持向量机(LS-SVM)的输入变量,建立基于叶片上表面和下表面光谱信息的PCA-LS-SVM和SPA-LS-SVM 模型。结果显示,基于叶片上表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM 模型对建模集样本的识别正确率分别为99.46%和98.44%,对预测集样本的识别正确率均为95.83%。基于叶片下表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM模型对建模集样本和预测集样本的识别正确率皆为100%。表明,利用高光谱成像技术结合PCA-LS-SVM和SPA-LS-SVM可实现柚类品种的快速鉴别,叶片下表面光谱信息鉴别效果优于叶片上表面。该研究为柚类的品种快速鉴别提供了一种新方法。     

A computational study of the HyShot II combustor performance

Experimental and flight data for hypersonic air-breathing engines are both difficult and extremely expensive to obtain, motivating the use of computational models to enhance the understanding of the complex physics involved. Here, a comprehensive numerical study has been carried out for the HyShot II scramjet combustor. This study makes use of Reynolds Average Navier Stokes (RANS) based models and Large Eddy Simulation (LES) based models with semi-detailed reaction kinetics. In this investigation we focus on the underlying flow-mixing-combustion physics at different operating conditions tested in the High Enthalpy Shock Tunnel Göttingen (HEG). To account for the complex flow in the HEG facility a zonal approach is employed in which RANS is used to simulate the flow in the HEG nozzle and test-section, providing the necessary inflow boundary conditions for the combustor RANS and LES, being the focus of this analysis. Specifically, we here combine results from RANS and LES computations with data from the HEG experiments and the target HyShot II flight-tests at two different flight-altitudes (28 and 33 km). The LES model is observed to capture the experimental wall-pressure and heat-flux data very well for both the 33 and 28 km altitude cases, whereas the RANS model is only able to predict the wall-pressure and heat flux data for the 28 km altitude case. Based on the LES results, the flow at both altitudes is found to be unsteady, but with unsteady transitional flow features dominating the 33 km case. Moreover, these results show that the equivalence ratio is of key importance to the resulting flow, mixing and combustion physics, with richer mixtures being prone to transitional flow features. The LES results are also used to describe the flow physics in detail for both altitudes, and the key processes responsible for the transition between the two combustion modes observed.     

激光诱导击穿光谱技术结合神经网络和支持向量机算法的人参产地快速识别研究

利用激光诱导击穿光谱技术结合机器学习算法,对东北5个产地(大兴安岭、集安、恒仁、石柱、抚松)的人参进行产地识别,建立了主成分分析算法分别结合反向传播(BP)神经网络和支持向量机算法的人参产地识别模型.实验采集了5个产地人参共657组在200—975 nm的激光诱导击穿光谱,经光谱数据预处理后,对C,Mg,Ca,Fe,H...     

用MSC-ANN方法建立冬小麦叶片叶绿素与反射光谱的定量分析模型研究

采用多元散射校正(MSC)预处理方法对冬小麦叶片反射光谱进行预处理,有效地减小物理因素对光谱的影响,之后用非线性迭代偏最小二乘法(NIPALS)提取经MSC处理后的反射光谱的主成分,主成分个数由交叉证实法(Cross Validation)确定,将提取的主成分作为人工神经网络(ANN)的输入,建立人工神经网络分析模型(MSC-ANN),用冬小麦叶片的反射光谱来预测冬小麦叶片叶绿素含量。校准集的化学值与预测值的相关系数r达到0.960 4,预测标准偏差SD为0.187,相对标准偏差RSD为5.18%。检验集的化学值与预测值的相关系数r达到0.960 0,预测标准偏差SD为0.145,相对标准偏差RSD为4.21%。结果表明,MSC-ANN方法能在较大程度上消除了野外物理因素的影响,使用具有代表性的光谱数据点建立模型,能够建立准确的冬小麦叶绿素含量预测模型,可代替经典分析方法,满足冬小麦叶片叶绿素快速分析的需要。     

High energy physics in the atmosphere: phenomenology of cosmic ray air showers

The properties of cosmic rays with energies above 10⁶ GeV have to be deduced from the spacetime structure and particle content of the air showers which they initiate. In this review we summarize the phenomenology of these giant air showers. We describe the hadronic interaction models used to extrapolate results from collider data to ultra high energies, and discuss the prospects for insights into forward physics at the LHC. We also describe the main electromagnetic processes that govern the longitudinal shower evolution, as well as the lateral spread of particles. Armed with these two principal shower ingredients and motivation from the underlying physics, we provide an overview of some of the different methods proposed to distinguish primary species. The properties of neutrino interactions and the potential of forthcoming experiments to isolate deeply penetrating showers from baryonic cascades are also discussed. We finally venture into a terra incognita endowed with TeV-scale gravity and explore anomalous neutrino-induced showers.     

荧光光谱法结合Fisher判别分析在西洋参鉴别中的应用

旨在建立可靠的Fisher判别模型,以实现西洋参及其常见伪品饮片的快速、客观、准确鉴别,采用自组的凝视式光谱成像仪,对90份不同市售来源的中药材饮片(西洋参、人参、桔梗各30份)进行了荧光光谱成像实验,波长范围为400~720 nm,成像间隔为5nm。采用标准正态变量(SNV)变换对原的光谱数据进行预处理,以减少光谱数据中的噪声干扰。比较了主成分分析(PCA)与逐步判别分析(SDA)的原理特点及对模型的优化效果,联合这两种分析方法,首先,应用PCA对预处理后的光谱数据进行处理,使光谱数据中的主要信息集中分布在前面的主成分中,然后应用SDA从65个主成分中筛选出判别能力较强的12个主成分建立Fisher判别模型。由所建模型的两个判别函数作样品得分散点图,各类样品在图中表现出良好的聚类现象。以待判样品点与各种类中心点之间的欧氏距离作为依据,得出模型的准确判别结果。结果显示,所建Fisher判别模型在训练集和预测集中的判别正确率分别为98.33%和 96.67%,具有较高的可信度与准确度,因此,荧光光谱法结合Fisher判别分析可用于快速鉴别西洋参及其伪品饮片。     

基于LIBS与化学计量学的植物叶片分类研究

激光诱导击穿光谱（LIBS）是一种高效快速的光谱采集手段,可应用于各类物质的元素分析工作中。线性判别分析（LDA）与支持向量机（SVM）是化学计量学中两种常用的有监督算法,均通过对已知不同种类的样本数据进行学习建模,进而实现对未知类别数据的归类。为了实现LIBS技术对有机物的高准确率识别,将这两种算法应用到LIBS光谱数据的分类中。实验利用波长为1 064 nm的纳秒激光烧蚀女贞、珊瑚树、竹子三种植物的叶片,并采集每种树叶220～432 nm波段的100组光谱数据。通过对300组样本的原始光谱数据进行主成分提取,由第一主成分（PC1）和第二主成分（PC2）的得分图得出三种植物光谱的相似度非常高。然后,利用每种叶片70组样本的光谱数据作为训练集建模,其余30组光谱数据作为测试集来进行树叶种类的预测识别。将PCA对原始光谱数据提取得到的前20个主成分作为LDA与SVM建模的属性值。对于LDA算法,将属性值分析后得到前两个判别函数值,通过聚类分析发现不同种类的植物叶片光谱数据在空间上的分离效果较好,同一种类基本聚集在一起。再借助马氏距离可得到测试集的平均分类正确率为96.67%。与此类似,使用SVM方法对训练集样本的数据进行学习得到分类超平面,对测试集的平均分类正确率达到98.9%。研究结果表明,经过PCA对数据的预处理,再结合LDA,SVM这两种方法可实现LIBS技术应用于复杂有机物的快速准确分类,并且PCA与SVM结合的分类正确率更高。该方法可在食品快速溯源、生物组织原位鉴别、有机爆炸物远程分析等领域应用。