为解决偏最小二乘判别分析(PLSDA)建模时光谱区域中的噪声及冗余信息干扰问题，提出一种基于联合区间偏最小二乘判别分析(SiPLSDA)算法，并将该算法应用于猪肉近红外光谱的定性建模分析。SiPLSDA 利用联合区间偏最小二乘回归（SiPLS）进行光谱特征区域筛选，在筛选出来的光谱区域内建立数据的定性预测模型。采用Antaris II 快速傅里叶变换近红外光谱分析仪获取波数范围为10000~4000 cm-1的猪肉样本近红外光谱，采用标准正态变量变换(SNV)进行近红外光谱的预处理，用SiPLSDA 建立猪肉近红外光谱的定性模型。实验结果表明，SiPLSDA 建立的预测模型对猪肉储藏时间的识别率达到93.94%，高于基于全光谱区域建立的PLSDA 预测模型的识别率。

Pinu物种的近红外光谱（NIRS）数据。 感谢潘Xi在中国林业科学研究院获得了NIRS的数据。 感谢西南林业大学的Xian Wang确定了木材样品的种类。

近红外光谱分析和人工神经网络技术在茶叶感官品质评定中的应用.doc

人工智能-机器学习-红外光谱结合计算机解析技术对青海枸杞的鉴别研究.pdf

人工智能-机器学习-过渡金属氧化物和氧气络合物的低温基质隔离红外光谱和理论计算研究.pdf

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-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。

大数据-算法-高速高精度近红外光谱数据采集系统的研制.pdf

近红外光谱图11111111111

脑功能近红外光谱(fNIRS)的信号分析和模式识别方法，对其在认知科学领域的研究和应用尤为重要。简述了fNIRS的传统统计特征提取方法，进而提出了基于多元图表示原理进行特征提取的方法，并对传统方法与提出方法的模式识别实验进行了对比研究。实验结果表明基于多元图表示原理的fNIRS信号特征提取方法能应用于信号的分析和可视化，为fNIRS信号的数据分析提供了新的方法。

基于近红外光谱分析法检测燕麦青 贮可溶性糖含量技术规程