近红外光谱结合siPLS法用于深度水解蛋白奶粉掺伪的快速检测

目的:建立深度水解蛋白奶粉中掺伪普通蛋白粉的快速检测方法。方法:向深度水解蛋白奶粉掺伪一定比例的牛乳清蛋白粉和植物蛋白粉,共制备171个掺伪样品,并采集近红外光谱;对采集的样品光谱使用SPXY法按3∶1比例划分为校正集和预测集,应用联合区间偏最小二乘法(siPLS)建立掺伪检测模型,并比较不同预处理方法下的建模效果。结果:SG一阶导预处理下建立的siPLS模型效果最好,其组合区间光谱范围为[1135~1239.5,1660~1764.5,2080~2184.5 nm],校正集相关系数R^(2)为0.9948,RMSECV值为0.0101,预测集相关系数R^(2)为0.9945,RMSEP值为0.0110,RPD值为13.5。结论:通过siPLS法筛选光谱区间建模,可提高模型的稳定性和预测精度,本方法操作简便,可用于深度水解蛋白奶粉中的掺伪蛋白粉的快速无损检测。

基于SiPLS-SPA波长优选的血红蛋白定量分析研究

血红蛋白是人体的一项重要生理指标,浓度异常会导致人体产生各种疾病。红外光谱技术具有简单、无损、快速等优点,非常适合用于生理参数的定量分析。由于光谱背景复杂、有效信息弱,如何提取有效特征变量,构建精准定量模型是个难题。针对此问题,以血液样本和血红蛋白仿体溶液样本光谱数据为研究对象,采用SPXY法、K_S法、duplex法、等间隔划分法四种数据集划分方法划分数据并通过建模对比,优选出最佳数据集划分方法为SPXY法。遍历了SavitzkyGolay一阶求导滤波(S_G1)+小波变换、小波变换+S_G1、标准正态变量变换(SNV)+S_G1三种预处理方法,优选出SNV+S_G1预处理方法。结合串联思想,提出组合区间偏最小二乘法(SiPLS)与连续投影算法(SPA)串联的特征波长优选方法,构建SiPLS-SPA-PLS预测模型,用两组数据对模型进行验证,依据评价指标判断模型的优劣,并与全谱PLS,SPA-PLS和SiPLS三种定量模型相比较。实验结果表明:(1)使用SiPLS-SPA-PLS模型进行定量分析,血液样本的R_(c),R_(p),RMSEC和RMSEP值分别为0.9936,0.9906,0.1992和0.1846,仿体溶液样本的R_(c),R_(p),RMSEC和RMSEP值分别为0.9989,0.9985,1.8489和2.0074。相比全谱PLS,SPA-PLS,SiPLS三种定量模型,R_(c)和R_(p)值最大,RMSEC和RMSEP值最小,该模型最优,可以更精准地实现血红蛋白的定量分析。(2)SiPLS-SPA-PLS定量模型能更加准确地筛选最优波段,两种样本筛选出来的有效波段分别为血液(1144~1264,1606~1798 nm)、仿体溶液(1018~1390,1600~1700 nm),剔除掉仪器的影响因素,大致相同,此方法可以精准优选出特征波长。(3)该模型可以提取有效变量,去除无用噪声影响,血液样本从全谱的700个光谱变量中优选出28个,仿体溶液样本从全谱的1201个光谱变量优选出41个,提高检测速度和预测效率。该方法为血红蛋白快速精准检测提供了一种思路。

基于SiPLS特征提取和信息融合的汽油中乙醇含量的多光谱检测

采用紫外可见(ultraviolet/visible,UV-Vis)光谱技术和近红外(near-infrared,NIR)光谱技术及信息融合技术对乙醇汽油中乙醇含量进行了检测。首先采用组合区间偏最小二乘(synergy interval PLS,SiPLS)算法作为特征提取方法,分别建立了基于UV-Vis和NIR光谱的偏最小二乘(PLS)回归模型;再根据油品的实际情况,运用信息融合理论将UV-Vis和NIR光谱信息进行融合,建立了数据级融合(low level data fusion,LLDF)和特征级融合(mid-level data fusion,MLDF)模型,并与单谱源模型效果进行了比较,确定了最优模型为数据级融合后再进行矢量归一化的模型(LLDF-VN1);最后分别用高乙醇含量样品和市售汽油样品的光谱数据对该最优模型进行了通用性检验。结果表明:UV-Vis和NIR光谱数据单独建模均能很好的检测并提供较好的预测结果;而UV-Vis和NIR光谱数据直接融合在基于校正集的回归模型中效果最好,其校正集相关系数rc=0.999 9,校正集交叉验证均方差RMSECV=0.125 8,校正集整体评价偏差Bias_c=0.000 6;而采用数据级融合后再进行矢量归一化的模型(LLDF-VN1)的预测效果为最佳,其r_p=0.999 1,RMSEP=0.352 7,Bias_p=-0.073 8;自配溶液对最优模型(LLDF-VN1)的通用性验证中,r_p=0.999 7,RMSEP=0.329 1,Bias_p=0.102 2;市售汽油对最优模型(LLDF-VN1)的通用性验证中,r_p=0.990 1,RMSEP=0.892 7,Bias_p=0.675 1。实验结果说明通过将UV-Vis和NIR光谱信息进行数据级融合可以快速、准确的检测出乙醇汽油中乙醇的含量,并能实现乙醇浓度的宽范围检测,为进一步实现混合油品中物质的快速检测奠定了基础。

siPLS-LASSO的近红外特征波长选择及其应用

近红外技术广泛应用于食品、药品等生产过程和产品质量检测,具有样品无需预处理、成本低、无破坏性、测定速度快等优点。但是,全光谱数据维数高、冗余信息多,直接应用于建模会导致模型复杂性高、稳定性差等问题。siPLS是最常见的光谱数据降维方法,但是难以处理光谱数据的共线性问题。LASSO是一种相对新的数据降维方法,但在小样本应用中具有不稳定性。针对siPLS和LASSO在近红外光谱数据应用中存在的问题,提出了基于siPLS-LASSO的近红外特征波长选择方法,并将其应用于秸秆饲料蛋白固态发酵过程pH值监测。该方法首先采用siPLS算法,实现对光谱波长最佳联合子区间的优选;然后,对优选联合子区间使用LASSO算法进行特征波长选择,在此基础上建立PLS校正模型。同时,将siPLS-LASSO方法与其他传统特征波长选择方法进行了对比。结果表明:建立在siPLS-LASSO方法优选33个特征波长基础上的PLS模型预测结果更好,其预测方差(RMSEP)和相关系数(Rp)分别为0.071 1和0.980 8;所提siPLSLASSO方法有效选取了特征波长,提高了模型预测性能。

基于siPLS的强化生物除磷污泥胞内糖原近红外分析

为了快速、准确地测定强化生物除磷(EBPR)过程中污泥胞内糖原的含量,采用4种预处理方法分别对污泥近红外光谱进行预处理,并结合联合区间偏最小二乘(si PLS)进行变量优选,建立光谱吸光度数据与糖原含量的定量分析模型。结果表明,将一阶S-G(Savitzky-Golay)平滑处理后的光谱等分为20个子区间,联合子区间[10 13 16 19]建立的si PLS模型预测效果最优,预测集的均方根误差(RMSEP)和相关系数(rp)分别达到0.0048、0.9105,且该模型的交互验证和外部验证相对分析误差(RPD)均大于3.0。一阶平滑处理后的光谱si PLS模型预测精度高、建模变量少,可实现糖原含量的快速测定。

基于改进siPLS法建立5种含CaCO_3中药的拉曼光谱定量模型

研究探索应用拉曼光谱技术对5种含Ca CO3中药进行快速含量测定。实验采集不同来源的鱼脑石、鹅管石、花蕊石、南寒水石、钟乳石及实验室自制的不同Ca CO3含量的药材配比品,共67批样品的拉曼光谱,以EDTA滴定法测定值为参照,在确定上述5种中药拉曼特征谱段的基础上,采用一种改进的组合区间偏最小二乘法（si PLS）对特征谱段进行优化,确定建模谱段为1 2901 280,730-714,700-690,660-650,465-460,455-445,405-385 cm-1,建立Ca CO3定量分析模型,并对模型进行评价及验证。所建定量模型对Ca CO3质量分数在0.465 4-0.999 7,预测结果良好,模型预测值与参照值的平均相对偏差2.71%,平均回收率100.46%。结果表明：利用改进的si PLS优化所得特征谱段建立的Ca CO3拉曼光谱定量分析模型相对于初始谱段所建模型效果较好,该模型可用于对5种中药的Ca CO3含量的快速测定。

基于iPLS和SiPLS算法的人体血清胆红素含量的可见-近红外光谱建模

为了建立血清胆红素（BR,bilirubin）样品总胆红素（TBIL）、直接胆红素（DBIL）和间接胆红素（IBIL）近红外（NIR）光谱分析最优模型,利用可见-NIR透射光谱技术与间隔偏最小二乘法（iPLS）及协合区间偏最小二乘法（SiPLS）算法相结合对建模区域进行优选,实现血清光谱特征波段选择,建立光谱与血清BR成分之间的定量预测模型,以均方根误差（RMSE）作为模型评价标准。结果表明：SiPLS模型效果更佳,TBIL、DBIL和IBIL的最优建模波长范围分别为400～536nm、1 366～1 502nm和2 324～2 460nm,400～502nm、608～710nm和1 644～1 746nm,400～502nm和1 746～1 848nm;3种BR最优预测模型的RMSE分别为0.598 9、0.207 2和0.386 2μmol/L;波段优选对提高预测结果的准确性有重要的意义;采用SiPLS建立TBIL、DBIL和IBIL定量分析模型,不仅可以提高模型的预测精度,而且克服了iPLS单一区间建模的缺点,优选出的特征谱区还可为设计小型专用光谱分析仪器提供依据。

短程硝化过程的光谱特征波段选择与间隔偏最小二乘法建模

序批式活性污泥反应器(SBR)是目前应用较广的活性污泥处理装置。通过SBR反应器处理人工模拟高氨氮废水研究短程硝化反应系统启动过程中硝酸盐氮和亚硝酸盐氮含量的变化,利用紫外光谱采集所得数据为基础建立模型,以期快速预测SBR反应器出水中硝酸盐氮、亚硝酸盐氮含量。采用实验室配置的不同浓度硝酸盐氮和亚硝酸盐氮混合溶液,以三种不同波段选择的区间偏最小二乘法(iPLS)构建标准混合液的校正模型。研究结果显示,所建模型对混合液中硝酸盐氮和亚硝酸盐氮实测值与预测值相关性均较好。测定反应器出水指标,同样以三种不同波段选择的偏最小二乘法算法构建紫外光谱与硝酸盐氮和亚硝酸盐氮含量的模型。利用校正集相关系数、交叉验证均方根误差(RMSECV)、预测集的相关系数以及预测均方根误差(RMSEP)评价指标来评价模型结果。在iPLS、siPLS、biPLS三种模型中利用联合区间偏最小二乘法(siPLS)将全光谱分别等分为24、19个区间时,分别联合子区间[24]、[38]建立的模型预测拟合结果最优,其校正模型r=0.9393、RMSECV=1.6504,r=0.9507、RMSECV=0.4421,预测模型r=0.9992、RMSEP=1.3418,r=0.9119、RMSEP=2.6770。该模型对硝酸盐氮和亚硝酸盐氮的预测效果总体较好,表明利用紫外光谱建立区间偏最小二乘法模型可以实现对短程硝化反应器出水硝氮和亚硝氮含量的快速预测。

应用抑制性消减杂交技术筛选的肾癌相关基因SIPL1对肾癌细胞生物学功能和耐药的影响

目的应用抑制性消减杂交技术（SSH）筛选人肾癌差异表达基因，并探讨其对。肾癌生物学功能和耐药的影响。方法从人肾透明细胞癌细胞株RLC-310和正常细胞株HK-2中提取mRNA，应用SSH技术获得肾癌细胞差异表达基因文库，筛选差异表达最明显的基因。以逆转录聚合酶链反应（RT．PCR）和Westernblot法验证差异表达基因的表达。构建干扰载体沉默人肾癌RLC-310和GRC-1细胞中差异表达基因SIPL1的表达，分别采用细胞计数法、四甲基偶氮唑蓝（MTT）法和裸鼠移植瘤实验检测RLC-310和GRC-1细胞的增殖能力，流式细胞仪检测细胞周期，MTT法检测对阿霉素的耐药性。结果构建了人肾癌细胞差异表达基因文库，筛选了12种差异表达基因，其中SIPL1基因的表达差异最为明显。RT—PCR和Western blot法验证SIPL1基因在人肾癌细胞系及肾透明细胞癌组织中高表达。SIPL1shRNA重组质粒稳定转染至RLC-310和GRC-1细胞后，可明显下调SIPL1蛋白的表达。与转染阴性对照组细胞比较，转染SIPL1shRNA组细胞的增殖能力均明显下降（P〈0．05），肿瘤形成能力明显减弱[转染SIPL1shRNA组和阴性对照组RLC-310细胞的裸鼠移植瘤重量分别为（0．22±0．07）g和（0．85±0．06）g，转染SIPL1shRNA组和阴性对照组GRC-1细胞的裸鼠移植瘤重量分别为（0．32±0．07）g和（1．21±0．11）g，均P〈0．05]，G0／G1期细胞的比例增加[转染SIPL1shRNA组和阴性对照组RLC-310细胞中Go／G，期细胞的比例分别为（71．13±4．58）％和（53．27±3．34）％，转染SIPL1shRNA组和阴性对照组GRC-1细胞中Go／G，期细胞的比例分别为（73．83±3．97）％和（59．33±3．03）％，均P〈0．05]，对阿霉素的敏感性提高（P〈0．05）。沉默SIPL1基因表达可以使AKT通路失活，同时细胞周期抑制蛋白p27^Kip1和p21^Cip1的表达增加。结论应用SSH技术成功筛选出肾癌差异表达基因SIPL1。SIPL1基因是一个肾癌促进基因，可能成为肾癌诊断和治疗的新靶点。

近红外光谱结合特征变量筛选方法用于农药乳油中毒死蜱含量的测定

为提高毒死蜱农药乳油中有效成分近红外光谱定量分析模型的精度和稳定性。采用联合区间偏最小二乘法(siPLS)结合遗传算法(GA)筛选特征变量,由交互验证法确定最佳主成分因子数及筛选的变量数。结果表明,从全光谱区优选出81个变量,主成分因子数为11时,能建立性能最优的模型,模型预测集的决定系数R_p^2为0.972,预测均方根误差(RMSEP)为0.353%。研究表明,利用siPLS结合GA方法优选特征变量,能大幅度地消除农药乳油光谱变量间的冗余信息和无关信息,降低模型的复杂度,提高农药有效成分预测模型的精度及稳定性。

傅立叶变换中红外光谱估测水稻叶片氮素含量的研究

通过不同氮素水平的水稻田间试验,在分析测定了水稻叶片叶绿素、氮素等农学参数后,采用傅立叶中红外光谱仪测定了水稻孕穗期叶片干样的透射光谱,利用协同偏最小二乘算法（siPLS）分析选取了傅立叶变换红外光谱估测水稻氮素含量的敏感波段及其组合。结果表明,其最优主成分数是9个,最佳估测建模的波段组合分别为1350.891～586.57,1587.531～822.40和3709.413～943.72 cm^-1;建立的水稻氮素预测模型的精度较高,交互验证均方根误差（RMSECV）和预测均方根误差（RMSEP）分别为0.1538和0.1933,预测值与化学分析获得的叶片总氮浓度之间的交互相关系数和独立检验相关系数分别为0.9393和0.6649,高于中红外光谱指数NFS和NFSA的预测精度。说明利用傅立叶红外光谱作为水稻氮含量的诊断技术是可能的,值得进一步验证和完善。

基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。为了快速准确检测羊肉的 pH 值,开展并讨论了利用两种特征波段筛选方法对羊肉 pH 值高光谱模型的影响研究。本研究采用二阶导数（2D）、多元散射校正（MSC）和中心化处理（mean-centering）相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理,利用联合区间偏最小二乘（siPLS）和联合区间偏最小二乘结合遗传算法（si-PLS-GA）对全波段473-1000 nm范围光谱进行特征波段的提取,并分别建立相对应特征波段范围羊肉 pH的PLS预测模型,同时与全波段的PLS模型效果相比较。结果表明采用 siPLS-GA 提取的特征波长建立的PLS模型效果最优,其选取的特征波长点数为56,校正集相关系数（Rcal ）和均方根误差（RMSEC）分别为0.96和0.043,预测集相关系数（RP）和均方根误差（RMSEP）分别为0.96和0.048。siPLS-GA 方法既能够减少建模使用的光谱变量,又可以提高模型精度,因此利用高光谱图像技术结合 siPLS-GA 可以实现羊肉pH 的特征波段筛选和快速准确检测。

拉曼光谱法快速测定紫石英中的氟化钙

目的建立拉曼光谱法快速测定紫石英Fluoritum中氟化钙(Ca F2)的含有量。方法采集54批样品的拉曼光谱,EDTA法测定氟化钙含有量,偏最小二乘(PLS)法建立定量模型,联合区间间隔偏最小二乘(si PLS)法进行优化。结果建模谱段为1 550~1 540、1 530~1 520、1 510~1 500、540~535、530~525、475~450、300~250 cm^(-1)。氟化钙含有量为77.76%~99.75%时,预测均方差(RMSEP)为0.029 9,R2为80.29%。模型平均相对偏差为2.66%,平均回收率为100.11%。结论该模型预测性较好,可快速、准确测定紫石英中氟化钙的含有量。

基于ｓｉＰＬＳ法建立藤茶中二氢杨梅素近红外定量分析方法

目的:建立藤茶中二氢杨梅素近红外定量模型,用于其快速定量分析.方法:采集45批藤茶样品的近红外光谱,以高效液相色谱法测定样品中二氢杨梅素的含量,并作为参照,以组合区间偏最小二乘法(si PLS法)对特征谱段进行优化,建立二氢杨梅素的定量模型并对模型进行评价.结果:光谱预处理选用矢量归一化法(VN),确定9000~8500 cm-1、8000~7000 cm-1、6000~5500 cm-1为建模谱段.内部交叉验证中,校正均方差(RMSECV)为2.38%,决定系数(R2)为92.16%;外部验证中,模型对训练集预测均方差(RMSEE)为0.993%,对验证集预测均方差(RMSEP)为2.87%,其决定系数为90.67%,相对预测偏差(RPD)为3.27.当样品中二氢杨梅素的含量范围为9.77%~46.13%时,平均预测回收率为97.57%.结论:所建模型预测能力好,可用于藤茶中二氢杨梅素的快速定量分析.

肽聚糖对肉制品中产气荚膜梭菌芽孢萌发率影响及预测

该研究利用产气荚膜梭菌(Clostridium perfringens,C.perfringens)营养体及其芽孢肽聚糖以芽孢萌发率S、浑浊度OD600%、Ca^2+-DPA%变化率等为指标比较不同肽聚糖对C.perfringens芽孢萌发的影响;并针对芽孢萌发率检测耗时、费力等问题,提出一种基于近红外光谱技术(near infrared spectroscopy,NIR)定量预测不同浓度肽聚糖诱导芽孢萌发率研究。首先原始光谱经不同方式预处理,获得最佳方法为标准正态变换,然后使用主成分分析和遗传-联合区间偏最小二乘法进行光谱数据降维及特征变量筛选,分别对不同浓度肽聚糖诱导芽孢S、OD600%、Ca2+-DPA%进行快速预测。结果表明:营养体肽聚糖可有效诱导芽孢萌发,而芽孢肽聚糖效果不明显。利用GA-siPLS筛选芽孢萌发特征变量的最佳特征区间分别是[3,9,11,14]、[1,7,12,15]和[7,8,12,17],其预测集R和RMSEP分别为0.8726,0.8611,0.8841和0.769,0.218%,42.34%。研究结果表明,利用NIR结合GA-siPLS可定量预测肽聚糖诱导C.perfringens芽孢的萌发率,实现芽孢萌发的快速预测,为保证肉制品安全提供有效手段。

利用FT-NIR法构建酸奶能量值快速定量模型

酸奶能量值往往远超出消费者预期,但在酸奶质量监控体系中却容易被忽视。现行的酸奶能量值检测方法需要对蛋白质、脂肪、碳水化合物等多种成分检测基础上获得,成本较高,因此开发一种"直接"可对酸奶能量值的快速高效检测具有重要意义。采用傅里叶变换近红外(FT-NIR)光谱法对酸奶能量值进行分析,以期获得效果良好的定量模型。经过多种算法的综合比较和分析,该定量模型的光谱范围为(8069.1~7644.8)+(7359.4~7085.6)+(6526.3~6248.6)cm^(-1),预处理方式为消除常量偏移量,主成分数为7。以此模型进行校正集分析,其决定系数(R^2)为0.9818,交叉检验均方根误差(RMSECV)为8.92,残留预测偏差值(RPD)为7.4,偏移量值(Bias)为0.0309;进行预测集预测分析,其预测均方误差(RMSECV)为17.7,残留预测偏差值(RPD)为3.52,相关系数(corr.coeff.)为0.9651。可见该模型具有良好的定量预测效果。

近红外光谱与组合的间隔偏最小二乘法测定清开灵四混液中总氮和栀子苷的含量

应用近红外光谱分析技术结合化学计量学方法,建立了中药清开灵注射液中间体总氮和栀子苷含量测定的新方法.首先采用Kernard-Stone法对训练集样本和预测集样品进行分类,然后应用组合的间隔偏最小二乘法(Synergy interval partial least squares,siPLS)对所得近红外透射光谱进行有效谱段范围的选择以及二者定量校正模型的建立,并对光谱预处理方法进行了详细的讨论.所建立的总氮和栀子苷校正模型的预测相关系数(R)分别为0.999和0.708;交叉验证误差均方根(RMSECV)均为0.023;预测误差均方根(RMSEP)分别为0.074和0.159;预测结果表明,本实验所建方法快速、无损且可靠,可推广并应用于中药注射液中间体的在线质量控制.

近红外光谱技术结合特征变量筛选快速检测绿茶滋味品质

茶汤滋味是茶叶品质的核心,该研究利用近红外光谱技术快速检测绿茶滋味品质。试验以滋味化学鉴定法作为绿茶滋味品质检测的标准方法,试验得到的滋味总得分值作为近红外光谱预测模型的参考测量值。在模型建立过程中,首先利用联合区间偏最小二乘法(siPLS)筛选特征子区间;然后,用遗传算法(GA)在特征子区间内优选特征变量。最优模型在优选出38个特征变量,主成分因子数为6时获得,模型预测集相关系数(Rp)为0.890 8,预测均方根误差(RMSEP)为4.66。研究结果表明,利用近红外光谱技术结合siPLS-GA算法检测绿茶滋味品质是可行的,同时表明siPLS-GA算法相对于其他方法在本研究中的应用具有一定的优越性。

特征波长筛选在近红外光谱测定梨硬度中的应用

为了提高应用近红外光谱分析技术快速测定梨硬度的精度和稳定性,该研究采用联合区间偏最小二乘和遗传算法(siPLS-GA)在校正模型中用来筛选特征光谱区域和波长,通过交互验证法确定模型的主成分因子数和筛选的波长,并以预测均方根误差(RMSEP)和相关系数(Rp)作为模型的评价标准。基于siPLS-GA的最优模型包含4个光谱区、96个变量和10个主成分因子。该模型结果显示:最佳预测模型相关系数(Rp)和RMSEP分别为0.9083和0.5573。研究结果表明,近红外光谱技术结合siPLS-GA建模用于无损、快速测定梨的硬度是可行的。

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析(linear discriminant analysis, LDA)和支持向量机(support vector machine, SVM)分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法(synergy interval partial least square, SiPLS)筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析(LDA)和支持向量机(SVM)建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析(LDA)和支持向量机(SVM)建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。