利用高光谱技术对火龙果可溶性固形物含量(SSC)检测进行研究,为火龙果内部品质无损检测提供科学方法.以火龙果为研究对象,对光谱数据进行预处理,应用连续投影算法(SPA)进行特征变量的选择,通过偏最小二乘法(PLS)和前馈反向传播神经网络法(BPNN)建立预测模型,分析了火龙果果皮对SSC 模型预测精度的影响.实验结果表明：采用平滑去噪(MAS) 效果最优,PLS 模型的交叉验证相关系数(Rcv) 为0.8635,交叉验证均方根误差(RMSECV)为0.6791,可提高火龙果可溶性固形物模型精度；通过SPA 算法能够有效地对光谱数据进行降维处理,采用优选的15 个特征变量建立的BPNN 预测模型的预测相关系数(RP)为0.8411,预测均方根误差(RMSEP)为0.8171；果皮对建模结果会产生一定的影响,完整果PLS 模型的(RP)为0.8999,RMSEP 为0.7208；果肉PLS 模型的RP 为0.9304,RMSEP 为0.5291,果肉SSC 模型比完整果SSC 模型的预测能力略高.研究结果表明基于高光谱技术采集的火龙果漫反射光谱进行SSC 无损检测具有可行性.

为实现对红枣品种的判别,利用高光谱技术并结合机器学习算法对金丝大枣、骏枣和滩枣这三个品种的新疆红枣进行研究。首先,分别利用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导(1-Der)和Savitzky-Golay(SG)平滑等数据预处理方法对原始光谱进行预处理,研究了预处理方法对建模的影响;然后,利用光谱-理化值共生距离法(SPXY)将样本集划分为校正集和预测集,基于线性判别分析(LDA)、K-最近邻分类(KNN)和支持向量机(SVM)算法对预处理后的全波段光谱建立红枣品种鉴别模型,结果显示,在多种预处理方法中,1-Der的处理效果最好;然后,结合主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权采样(CARS)等特征提取方法对全波段光谱进行特征波段的提取,再基于特征波段建立红枣品种鉴别模型,结果发现,在几种特征提取方法中,基于CARS所提特征波段建立的模型可以获得最高的鉴别准确率;最后,以SVM模型为例对模型运行时间进行了比较,结果发现,基于特征波段所建模型的运行时间远短于基于全波段所建模型的运行时间。