蒙古栎抗弯弹性模量多模型共识的近红外检测方法

利用近红外光谱技术预测蒙古栎（Quercus mongolica）抗弯弹性模量（MOE）,提出GN（global and neigh-borhood）样本优选与CPLS多模型共识的建模方法。选取近红外光谱谱段为900-1 700 nm,径切面和弦切面采集。首先,采用一阶导数与S-G卷积平滑相结合的方法进行数据预处理;然后,利用GN算法计算光谱样本间的全局和邻域马氏距离,实现蒙古栎MOE异常样本的剔除与校正集、预测集的自动划分;最后,融合具有多个成员样本子集的PLS模型,构建CPLS共识模型,取平均值作为最终预测结果。实验采用135个300 mm×20 mm×20mm的无疵小试样为样本,剔除异常样本12个,并选取其中78个为校正集样本,45个为预测集样本。结果表明,一阶导数处理能够消除光谱背景平缓区域干扰,S-G能消除小峰值无关吸收峰的影响;GN样本优选与CPLS结合的建模方法,预测相关系数为085,相对分析误差（RPD）为193,预测效果比传统PLS建模更好,且稳定性有所提高,但该改进模型方法的RPD依然小于25,因此,可做初步分析,准确地进行定量预测依然存在局限性。