麻花mv在线看免费观看电视剧-麻花传剧原创mv在线看视频-麻花天美星空无限免费观看赘婿-麻花影视免费观看电视剧他是

 在分析科學領(lǐng)域的發(fā)展進程中，現(xiàn)代分析儀器如同探索物質(zhì)世界的“眼睛”，其性能的提升與功能的拓展始終是推動科學研究和產(chǎn)業(yè)升級的核心動力。隨著人工智能、大數(shù)據(jù)與云計算技術(shù)的蓬勃發(fā)展，化學計量學迎來了前所未有的創(chuàng)新機遇。從便攜式分析儀的現(xiàn)場快速檢測，到在線過程分析儀的實時質(zhì)量監(jiān)控；從光譜成像技術(shù)的空間信息挖掘，到全二維色譜的復雜體系分離，化學計量學正以新算法、新策略革新儀器的數(shù)據(jù)分析模式，助力現(xiàn)代分析儀器實現(xiàn)了從“定性定量”到“精準溯源”的跨越，成為構(gòu)建新一代智能分析儀器的理論基石與技術(shù)引擎。

      為集中展示我國在化學計量學賦能現(xiàn)代分析儀器領(lǐng)域的最新研究成果，推動跨學科交叉融合與學術(shù)交流，《分析測試學報》特別策劃“化學計量學賦能現(xiàn)代分析儀器”專輯。本專輯特邀天津工業(yè)大學卞希慧教授、中國農(nóng)業(yè)科學院張良曉研究員、中國農(nóng)業(yè)大學黃越副教授、湖南農(nóng)業(yè)大學李跑副教授擔任客座主編，精心組織數(shù)十位相關(guān)領(lǐng)域?qū)W者撰寫的29篇高質(zhì)量稿件，內(nèi)容涵蓋了化學計量學新算法在光譜、色譜、質(zhì)譜等儀器中的創(chuàng)新應(yīng)用，智能化分析儀器的集成系統(tǒng)研發(fā)，以及化學計量學在中醫(yī)藥、食品、環(huán)境、材料、化妝品等行業(yè)的實際問題解決方案。通過本專輯，我們期望為分析化學、儀器科學、計算機科學等領(lǐng)域的研究者提供一個思想碰撞與技術(shù)交流的平臺，促進化學計量學理論創(chuàng)新與儀器技術(shù)升級的深度融合，激發(fā)更多前沿性、突破性的研究思路。

采用UHPLC-QE-Orbitrap MS技術(shù)結(jié)合網(wǎng)絡(luò)分析和化學計量學建立鈷胺素C（cblC）缺乏癥的臨床表型系統(tǒng)表征和預(yù)測模型，利用嘗試解開其復雜性。基于UHPLC-QE-Orbitrap MS技術(shù)在正、負模式下采集的血液非靶向代謝組學圖譜，利用數(shù)據(jù)驅(qū)動網(wǎng)絡(luò)算法Connect the Dots（CTD）快速搜索高連通的擾動代謝物，化學計量學算法學習其組別間復雜微小變化模式。通過對兩種臨床表型（癲癇和代謝綜合征）的研究，結(jié)果表明CTD算法識別出的擾動代謝物子集展示出高度的臨床表型特異性，且涉及的富集通路擾動均被報道與癲癇和代謝綜合征的致病機制密切相關(guān)。進一步，CTD 算法能夠量度高連通擾動代謝物間的協(xié)變信息，構(gòu)建主要疾病模塊系統(tǒng)地表征癲癇和代謝綜合征的復雜致病機制。識別出的擾動代謝物作為特征變量集，采用5-折交叉驗證，偏最小二乘判別分析、支持向量機和隨機森林的受試者工作特征曲線下面積預(yù)測均值分別為0.849、0.897和0.909（癲癇），0.889、0.931和0.921（代謝綜合征），馬修斯相關(guān)系數(shù)預(yù)測均值分別為0.667、0.668和0.723（癲癇），0.686、0.696和0.787（代謝綜合征）。上述結(jié)果表明了提出的計算方法在揭示cblC 缺乏癥的臨床表型復雜性和指導其個性化診斷策略方面的有效性。

淫羊藿和柔毛淫羊藿作為常用中藥，其活性成分朝藿定A、朝藿定B、朝藿定C和淫羊藿苷對藥理作用具有重要影響。該研究采集了淫羊藿與柔毛淫羊藿的臺式與便攜式近紅外光譜數(shù)據(jù)，并結(jié)合HPLC測定其中的朝藿定A、朝藿定B、朝藿定C和淫羊藿苷含量，進而建立了偏最小二乘回歸（PLSR） 模型與支持向量回歸（SVR）模型。為實現(xiàn)臺式近紅外光譜數(shù)據(jù)與便攜式近紅外光譜數(shù)據(jù)之間的模型適配與轉(zhuǎn)移，該研究探索了兩種標樣集選擇方法：層次聚類法與SPXY算法，并應(yīng)用兩種模型轉(zhuǎn)移方法：直接標準化法（DS）和分段直接標準法（PDS）。研究結(jié)果表明，標樣集選擇方法與模型轉(zhuǎn)移方法對模型轉(zhuǎn)移效果具有顯著影響。通過配對t檢驗進一步驗證，最佳轉(zhuǎn)移模型的預(yù)測值與真實值之間無顯著差異（P值均大于0.05），表明所建立的轉(zhuǎn)移模型在不同儀器間具有較好的適應(yīng)性。該研究為近紅外光譜技術(shù)在淫羊藿與柔毛淫羊藿的定量分析與模型轉(zhuǎn)移方面的研究提供了依據(jù)。

為實現(xiàn)鐵皮石斛地理來源的快速有效鑒別，基于衰減全反射傅里葉變換紅外光譜（ATR-FTIR）和傅里葉變換近紅外光譜（FT-NIR）技術(shù)，結(jié)合數(shù)據(jù)融合策略與化學計量學方法建立了鐵皮石斛地理溯源模型。結(jié)果表明，F(xiàn)T-NIR和FT-NIR+ATR-FTIR融合數(shù)據(jù)集經(jīng)二階導數(shù)（2nd）預(yù)處理后構(gòu)建的偏最小二乘判別分析（PLS-DA）和支持向量機（SVM）模型性能最好，測試集準確率均達到100.00%。基于二維相關(guān)光譜（2DCOS）構(gòu)建的殘差卷積神經(jīng)網(wǎng)絡(luò)（ResNet）模型在訓練集、測試集和外部驗證集上均實現(xiàn)了100.00%的準確率。該研究為鐵皮石斛地理溯源和地理標志產(chǎn)品保護提供了科學依據(jù)。

乙肝表面抗原（HBsAg）是乙肝病毒感染的重要標志物。該文建立了血清HBsAg感染的無試劑可見-近紅外（Vis-NIR）光譜模式識別新方法。收集到臨床血清樣品1 243例（HBsAg陽性601、陰性642），采用訓練-預(yù)測-檢驗實驗設(shè)計，搭建了基于多尺度卷積、壓縮-激勵網(wǎng)絡(luò)（SE Net）注意力機制和多尺度膨脹卷積的新型卷積神經(jīng)網(wǎng)絡(luò)（CNN）集成算法，連同經(jīng)典的偏最小二乘-判別分析（PLS-DA）和普通淺層CNN算法，被用于建立HBsAg陽性和陰性血清的Vis-NIR光譜判別模型。該研究采用標準正態(tài)變量（SNV）變換進行光譜預(yù)處理。基于近紅外區(qū)（780~1 118 nm）經(jīng)SNV處理的光譜的PLS-DA模型和新型CNN模型取得更優(yōu)的建模效果，新型CNN模型的靈敏度（SEN）達到99.3%，漏診率（FNR）達到0.7%。結(jié)果表明，采用Vis-NIR光譜精準判別HBsAg陽性和陰性血清具有可行性，提出的新型深度學習算法可望應(yīng)用于其他光譜分析領(lǐng)域。

為解決傳統(tǒng)的微藻檢測方法依賴于人工鏡檢、分析時間長且檢測結(jié)果易受檢測人員技術(shù)經(jīng)驗影響等問題，提出了一種圖像預(yù)處理整合策略結(jié)合改進YOLOv8模型的深度學習方法用于微藻識別。采用高斯模糊、拉普拉斯算子和主成分分析多方法整合策略對微藻顯微圖像進行預(yù)處理。在改進模型中，引入SPD-Conv模塊減少細粒度信息的丟失以提高低分辨率圖像和小尺寸微藻的檢測性能，采用Slim-neck結(jié)構(gòu)減少參數(shù)數(shù)量和模型大小，同時加入SimSPPF加速模型收斂，提高運行效率。結(jié)果表明，多方法整合的預(yù)處理策略能夠顯著減少圖像中的噪聲，同時增強微藻輪廓清晰度。在相同條件下，改進YOLOv8模型的平均精度均值（mAP）達到92.2%，檢測效率比原始YOLOv8模型提高了5.1%，且對于小尺寸微藻表現(xiàn)出更優(yōu)的檢測性能。相較于Faster-RCNN、SSD、RTDETR-l、YOLOv3、YOLOv5、YOLOv6和YOLOv7模型，改進YOLOv8模型的mAP分別提升了40.2%、6.8%、14.5%、1.2%、5.7%、4.7%和0.8%。該方法為開發(fā)微藻種類檢測技術(shù)提供了有價值的參考。

基于近紅外光譜結(jié)合化學計量學方法，針對淫羊藿與柔毛淫羊藿的基原鑒別及模型轉(zhuǎn)移進行了系統(tǒng)研究。首先，通過主成分分析（PCA）探討兩者的光譜差異，為后續(xù)分類建模提供參考。隨后，建立支持向量機（SVM）和隨機森林（RF）分類模型，并對比不同光譜預(yù)處理方法的影響，篩選出最佳預(yù)處理組合（SG+1^st Der+SNV和SG+2^nd Der+SNV），最終獲得高準確率的基原鑒別模型（鑒別準確率為100%）。在此基礎(chǔ)上，采用直接校正法（DS）和分段直接校正法（PDS）對模型進行校正，并通過層次聚類（HC）方法選擇標準樣品，成功提高了模型的適應(yīng)性和遷移效果。研究結(jié)果表明，SVM模型在分類準確率和遷移穩(wěn)定性方面均優(yōu)于RF模型，為便攜式近紅外光譜儀在中藥基原鑒別中的應(yīng)用提供了科學依據(jù)。

該研究采用傅里葉變換近紅外光譜（FT-NIR）、衰減全反射傅里葉變換紅外光譜（ATR-FTIR）及二維相關(guān)光譜（2DCOS）技術(shù)，結(jié)合化學計量學與深度學習建立偏最小二乘判別分析（PLS-DA）和殘差卷積神經(jīng)網(wǎng)絡(luò)（ResNet）判別模型，對7個主產(chǎn)區(qū)（221份）的草果樣本進行快速、準確溯源。結(jié)果表明：ATR-FTIR光譜數(shù)據(jù)經(jīng)二階導數(shù)（2nd）+標準正態(tài)變換（SNV）預(yù)處理后建立的PLS-DA模型性能最好（95.31%），但FT-NIR光譜數(shù)據(jù)的最佳預(yù)處理為2nd。基于FT-NIR和ATR-FTIR的同步2DCOS圖像建立的ResNet模型不需要篩選最佳預(yù)處理和復雜的數(shù)據(jù)轉(zhuǎn)換，即可達到100%的準確率。其中，基于FT-NIR數(shù)據(jù)轉(zhuǎn)化的同步2DCOS圖像建立的ResNet模型的迭代次數(shù)最少、耗時最短、成本最低。該研究為鑒別不同地理來源的草果提供了一種快速、準確的新方法，為草果質(zhì)量等級評價體系的進一步研究奠定了基礎(chǔ)。

為了解貴州不同產(chǎn)區(qū)蜜甜香型煙葉的煙氣特征香氣成分，利用劍橋濾片捕集結(jié)合氣相色譜-嗅聞儀-質(zhì)譜儀（GC-O-MS）對9個煙氣樣品的揮發(fā)性化合物進行鑒定，通過多元統(tǒng)計手段結(jié)合相對香氣活度值（ROAV）篩選煙葉煙氣的蜜甜香韻特征香氣成分，并探究凸顯貴州煙葉蜜甜香特征風味的內(nèi)在物質(zhì)基礎(chǔ)。結(jié)果表明：GC-MS共鑒定出144種揮發(fā)性成分，包括31種酮類、22種烴類、22種雜環(huán)類、22種酚類、15種酯類、13種酸類、11種醇類、6種醛類及2種其它組分。經(jīng)GC-O-MS共嗅辨到69種香氣化合物，香氣特征主要呈現(xiàn)果香、奶香、焦甜香、花香、堅果香、蜜甜香等香韻，并篩選出1-戊烯-3-酮、乙酸芐酯、愈創(chuàng)木酚、乙位大馬酮等25種香氣活性化合物（ROAV≥1）。通過正交偏最小二乘法判別-分析（OPLS-DA），共篩選VIP>1的34種關(guān)鍵差異揮發(fā)性香氣化合物。依據(jù)VIP>1（P＜0.05）和ROAV≥1的條件，得到1-戊烯-3-酮、甲基環(huán)戊烯醇酮、乙基環(huán)戊烯醇酮、對異丙基苯酚、丁香酚、吲哚、反式橙花叔醇、乙位大馬酮8種特征香氣組分，偏最小二乘回歸法（PLSR）結(jié)果進一步驗證了上述8種香氣物質(zhì)對于整體香氣輪廓的形成具有重要貢獻，是貴州煙葉蜜甜香韻的關(guān)鍵香氣化合物。研究結(jié)果可為闡明貴州地區(qū)煙葉煙氣的香氣特征提供參考。

該研究將機器學習技術(shù)與方波脈沖振蕩伏安法（SWASV）相結(jié)合，來提高對Cd²⁺、Pb²⁺、Cu²⁺和Hg²⁺四種重金屬離子的同時檢測能力。傳統(tǒng)的電化學方法在檢測重金屬離子時主要依賴于在一定濃度范圍內(nèi)尋找線性響應(yīng)區(qū)間，并且在多離子環(huán)境下，SWASV曲線常出現(xiàn)干擾，導致準確性降低。該研究使用裸玻碳電極對不同濃度的金屬離子溶液進行重復性的SWASV檢測，對檢測數(shù)據(jù)進行電流值、峰值電壓和峰面積等重要參數(shù)進行特征提取，并結(jié)合極端梯度提升（XGBoost）和隨機森林（RF）構(gòu)建濃度預(yù)測模型，使用支持向量機（SVM）進行分類預(yù)測。分類算法中SVR的效果最佳（四種離子的ROC曲線下面積均大于0.95），相較RF模型XGBoost濃度預(yù)測模型預(yù)測值和真實值間的擬合度（R-Squared）均達到0.95以上。通過結(jié)合SWASV和機器學習，能夠在復雜的離子混合體系中實現(xiàn)高精度的離子檢測，并有效提高了檢測結(jié)果的可靠性。本研究的成果為多重重金屬離子的環(huán)境監(jiān)測和污染控制提供了創(chuàng)新的解決方案，并在電化學分析領(lǐng)域展示了機器學習的應(yīng)用潛力。

野外環(huán)境下天然未知礦物的快速識別受限于不同光譜設(shè)備分辨率差異、樣本量不足導致的模型泛化能力弱以及高維復雜光譜特征的提取能力有限這三個難題。為了解決上述難題，該文設(shè)計并實現(xiàn)了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合光譜樣本生成的拉曼光譜分類模型，并聯(lián)立便攜式拉曼光譜儀實現(xiàn)了野外未知礦物的快速識別。首先，三次樣條曲線擬合算法被用于實現(xiàn)不同設(shè)備所采集光譜的維數(shù)匹配，從而消除不同光譜設(shè)備之間采樣分辨率的差異。其次，全球礦物光譜庫包含1 648類礦物的5 668個光譜樣本被送入生成對抗網(wǎng)絡(luò)進行訓練并產(chǎn)生15 000個擴增樣本，從而緩解了數(shù)據(jù)稀缺性對模型分類性能的制約。此外，一種新的多尺度深度卷積網(wǎng)絡(luò)被用于同步提取拉曼光譜的寬峰與窄峰特征，從而增強復雜光譜的表征能力。實驗中將所提出的模型與k-近鄰（k-NN）、支持向量機（SVM）和隨機森林（RF）等幾類經(jīng)典機器學習模型對未知礦物的識別性能進行對比。結(jié)果表明，所提出的多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合光譜樣本生成的分類模型對未知礦物拉曼光譜的判別準確率遠超其他傳統(tǒng)機器學習模型，其top-1和top-3的準確率值分別為93.26%和98.94%。使用所提出的模型結(jié)合便攜式拉曼光譜系統(tǒng)對50類未知天然礦石樣本進行了識別，其準確率達到100%，單個樣本的識別時間僅為1～2 min，體現(xiàn)了該方法快速、精確和無需取樣制樣的優(yōu)勢。

采用傅里葉變換近紅外光譜（FT-NIR）與二維相關(guān)光譜（2DCOS）技術(shù)，結(jié)合化學計量學方法和深度學習算法，分別構(gòu)建了偏最小二乘判別分析（PLS-DA）模型和殘差卷積神經(jīng)網(wǎng)絡(luò)（ResNet）模型，快速準確鑒別了3種栽培品種天麻（Gastrodia elata Blum）樣本（共計447份）。結(jié)果表明：FT-NIR數(shù)據(jù)經(jīng)一階導數(shù)（1st Der）和多元散射校正（MSC）組合預(yù)處理后建立的PLS-DA模型綜合性能最好（準確率99.00%）。同時，基于FT-NIR同步2DCOS圖像結(jié)合ResNet模型的鑒別方法，無需篩選最佳預(yù)處理和進行復雜的數(shù)據(jù)轉(zhuǎn)換，即可實現(xiàn)對不同栽培品種天麻的快速精確鑒別（準確率100.00%）。該研究為鑒別不同栽培品種的天麻提供了一種快速、準確的新方法，可為天麻種質(zhì)資源研究與新品種選育進一步奠定基礎(chǔ)。

基于紫外光譜結(jié)合機器學習算法，以甲硝唑、酮康唑、氯霉素和諾氟沙星4種常見禁用抗感染類藥物為模型物質(zhì)，建立了一種適用于祛痘類化妝品中非法添加禁用藥物的快速篩查定性模型。該研究共采集167批祛痘類化妝品的紫外光譜，采用二維相關(guān)光譜（2D-COS）進行紫外光譜特征波段選擇，通過對比22種光譜預(yù)處理方法、3種機器學習算法、3種數(shù)據(jù)集劃分比例下各模型的效果，建立了分別含甲硝唑、酮康唑、氯霉素、諾氟沙星的陽性樣品和陰性樣品的五分類定性模型。結(jié)果表明，選擇190~360 nm的紫外光譜，經(jīng)標準正態(tài)變量變換（SNV）和Savitzky-Golay卷積平滑（SG）聯(lián)合處理，選用訓練集與預(yù)測集劃分比例7∶3，采用誤差逆?zhèn)鞑ィ˙P）神經(jīng)網(wǎng)絡(luò)算法建立定性分類模型時，模型訓練集與預(yù)測集的準確率分別可達96.58%和98.00%，具有良好的預(yù)測與泛化能力。此方法能有效對化妝品中4種禁用抗感染藥物進行快速準確篩查鑒別，不僅節(jié)省了檢測成本與時間，提高了檢測效率，為化妝品中非法添加禁用物質(zhì)的檢測提供了一種新型智能化的手段，也為未來不斷更新迭代的非法添加禁用物質(zhì)的快速篩查提供了新的思路和解決方案，且可助力現(xiàn)場快檢。

青稞酒是源自青藏高原、以青稞為原料的著名酒類飲品。然而，隨著其市場不斷擴大、品種不斷增多，摻假問題已成為亟待關(guān)注的焦點。該研究聚焦于運用紫外光譜法快速鑒別地理標志保護產(chǎn)品互助青稞酒，提出主成分分析-支持向量機（PCA-SVM）和多模型偏最小二乘判別分析（MPLS-DA）兩種方法。研究涉及中國互助青稞酒（CHQL）、其他品牌青稞酒（OBQL）和非青稞白酒（NQBL）3類樣品。SVM采用兩個主成分解決二元分類問題，而MPLS-DA對虛擬變量Y的每一列使用PLS1算法建模后，整合子模型的預(yù)測結(jié)果。PCA-SVM和MPLS-DA均成功構(gòu)建了CHQL的判別模型。PCA-SVM能區(qū)分CHQL與OBQL、NQBL，但無法區(qū)分OBQL和NQBL。相比之下，MPLS-DA能正確識別所有3類樣品，可以解決多分類問題。結(jié)果表明，所提方法可作為CHQL的一種簡便快速鑒別手段，且MPLS-DA展現(xiàn)出更優(yōu)的樣品識別能力。

土壤沉積物中的重金屬污染問題日益凸顯，開發(fā)現(xiàn)場快速檢測技術(shù)已成為確保污染監(jiān)測有效性及推進環(huán)境治理不可或缺的手段。基于此，該研究提出了一種基于激光誘導擊穿光譜技術(shù)（LIBS）結(jié)合機器學習算法的土壤沉積物重金屬元素定量分析方法。首先，基于搭建的LIBS裝置采集了土壤沉積物樣本的光譜，探究了不同光譜預(yù)處理方法對光譜數(shù)據(jù)的預(yù)處理性能。緊接著基于變量重要性測量（VIM）對預(yù)處理后的光譜數(shù)據(jù)進行特征變量篩選。借助交叉驗證對預(yù)處理方法、變量重要性閾值等參數(shù)進行了優(yōu)化。基于優(yōu)化的輸入變量建立了土壤沉積物樣本中3種重金屬元素（Pb、Cu和Zn）的定量分析模型，并與其他校正模型的性能進行了比對。結(jié)果表明，該研究提出的VIM-RF校正模型表現(xiàn)出最佳的預(yù)測性能，對于Pb其R²_p為0.993 0，RMSE_P為0.029 8 mg/kg，對于Cu其R²_p為0.981 0，RMSE_P為0.112 7 mg/kg，對于Zn其R²_p為0.992 0，RMSE_P為0.166 2 mg/kg。由此可見，該文建立的方法有望為土壤沉積物環(huán)境重金屬污染快速篩查及治理提供一定的理論參考依據(jù)。

采用便攜式近紅外（NIR）光譜儀對被微塑料（MPs）污染的雞飼料樣品進行定性和定量分析。共制備了雞飼料樣品244份，包括未被MPs污染的雞飼料樣品61份和分別被聚丙烯（PP）、聚氯乙烯（PVC）和聚對苯二甲酸乙二醇酯（PET）污染的雞飼料樣品（質(zhì)量分數(shù)均為0.01%~0.8%）183份。基于便攜式近紅外光譜儀（波長范圍900~1 700 nm）采集所有樣品的近紅外光譜，隨機選擇1/3樣品作為預(yù)測集，剩余2/3樣品作為校正集，并采用偏最小二乘法建立定性定量分析雞飼料中MPs的數(shù)學模型。對于定性模型：多元散射處理所建模型的性能最佳，對校正集和預(yù)測集樣品的判別正確率分別為99.38%和100%；對于定量偏最小二乘回歸（PLSR）模型：遺傳算法（GA）在波長選擇方面對提高雞飼料中MPs定量模型的預(yù)測性能展現(xiàn)出顯著優(yōu)勢，GA-PLSR模型對3種MPs的預(yù)測相關(guān)系數(shù)（R_p）均超過0.873 7，殘余預(yù)測偏差比（RPD）均超過2.709 0。結(jié)果表明：基于便攜式近紅外光譜儀定性定量分析雞飼料中MPs是可行的。該研究為飼料中MPs檢測提供了一種低成本的快速檢測方法。

基于近紅外光譜定性識別假藥需借助計算機和化學計量學從復雜、重疊、變動的光譜中提取特征信息和建立預(yù)測模型。在該類任務(wù)中，可能遇到某類樣本相對不足的類別不平衡問題。基于生成虛擬樣和集成建模，有望提升基于不平衡訓練集上所得模型的識別精度。該文以阿奇霉素為研究對象，設(shè)計了一組實驗樣本集，采用基于虛擬樣本技術(shù)的集成偏最小二乘判別分析模型構(gòu)建了分類器，用于識別藥物過期與否。在10個不同光譜區(qū)間上比較了單個模型和集成模型的性能，并討論了不平衡比率、樣本組成和集成規(guī)模的影響，集成分類器的靈敏度平均提高了約9%。通過實驗確認了該集成策略的優(yōu)勢，在少數(shù)類樣本過少時，所提出的集成算法更能顯示出優(yōu)勢，該方法對其他類型體具有應(yīng)用潛力。

為拓展揮發(fā)組學在血液種屬鑒別（BSI）領(lǐng)域的應(yīng)用，該研究測定了多種物種血液的揮發(fā)性有機物（VOCs），構(gòu)建了機器學習分類模型并評估其性能。使用頂空固相微萃取/氣相色譜-質(zhì)譜（HS-SPME/GC-MS）檢測8種常見物種血液中的VOCs，利用偏最小二乘判別分析（PLS-DA）和正交偏最小二乘判別分析（OPLS-DA）篩選潛在標志物，使用9種常見機器學習分類算法構(gòu)建一對多分類模型，進行基準測試、超參數(shù)調(diào)優(yōu)、算法性能評估，并評估重采樣方法和標志物變量選擇的影響。篩選出人類與7種不同動物血液種屬特征相關(guān)的潛在標志物共17種，基準測試獲得最優(yōu)算法為K-最近鄰（KNN）算法，分類模型最優(yōu)超參數(shù)組合為：K值為5，距離加權(quán)核函數(shù)為三權(quán)函數(shù)，閔氏距離參數(shù)p為0.324 0；驗證集下最優(yōu)模型準確度、曲線下面積、布里爾分數(shù)分別為0.928 4、0.997 0、0.057 6。使用所有成分變量的模型與僅使用潛在標志物變量模型的結(jié)果無顯著差異（t檢驗p > 0.05），不同重采樣方法模型結(jié)果無顯著差異（t檢驗p > 0.05）。該研究表明，揮發(fā)組學分析在血液種屬鑒別方面極具潛力，潛在標志物可靠性強、模型準確度高、抗干擾能力強。

該研究利用基質(zhì)輔助激光解吸-飛行時間質(zhì)譜（MALDI-TOF MS）分析技術(shù)結(jié)合兩種改進的隨機森林融合算法對白術(shù)進行產(chǎn)地溯源分析。首先通過MALDI-TOF MS獲取了來自3個省份白術(shù)樣本的質(zhì)譜數(shù)據(jù)，每個樣本的數(shù)據(jù)大小為1×234 154。鑒于樣本數(shù)據(jù)量龐大，故采用數(shù)據(jù)分箱策略進行初步簡化（1×6 600）。然后通過設(shè)定的累計方差貢獻率閾值進行主成分分析，對數(shù)據(jù)進行降維。利用降維后的數(shù)據(jù)構(gòu)建自適應(yīng)增強極端隨機森林模型（AERF）和自適應(yīng)增強平衡隨機森林模型（ABRF），最終通過模型融合策略獲得AERF-ABRF模型對白術(shù)進行產(chǎn)地溯源。結(jié)果表明，所提出的基于降維數(shù)據(jù)構(gòu)建的AERF-ABRF能夠準確區(qū)分來自3個省份的白術(shù)樣本，其對測試集和預(yù)測集的分類準確率均達到100%。同時，與單一判別模型相比，模型融合策略具有更高的分類準確率。

品種的差異會影響蘋果的可溶性固形物含量（SSC）和近紅外光譜（NIRS）特征，進而導致在實際應(yīng)用中以一個品種蘋果建立的SSC光譜校正模型難以較好地預(yù)測其他品種的蘋果。該研究使用阿克蘇紅富士蘋果（批次1）開發(fā)了偏最小二乘回歸（PLSR）校正模型，利用模型更新方法對青島緋紅蘋果（批次2）進行預(yù)測。結(jié)果顯示，以一階導數(shù)（1D）和競爭自適應(yīng)重加權(quán)采樣（CARS）相結(jié)合開發(fā)的PLSR校正模型可以有效預(yù)測批次1的SSC，預(yù)測相關(guān)系數(shù)（R_p）和預(yù)測均方根誤差（RMSEP）分別為0.972 8和0.383 8 °Brix，但批次1的 PLSR 模型難以預(yù)測批次2的SSC。因此使用校準更新、斜率/偏差校正（SBC）、動態(tài)正交投影（DOP）3種方法更新模型，同時研究不同更新樣本數(shù)對更新效果的影響。結(jié)果顯示，3種方法更新后模型預(yù)測結(jié)果的RMSEP均明顯下降。其中，SBC方法取得最好的結(jié)果，使用20個新樣本進行更新后，模型對批次2樣本測試集預(yù)測的RMSEP從1.075 6 °Brix下降至0.233 4 °Brix。從實驗結(jié)果可以看出，模型更新方法能夠有效解決模型在預(yù)測不同品種蘋果時表現(xiàn)不佳的問題，提升模型穩(wěn)健性，為實際應(yīng)用中SSC檢測模型的更新維護提供重要指導。

鋁合金以其卓越的特性在工業(yè)上得到廣泛應(yīng)用，對鋁合金的牌號進行準確分類能夠進一步推動制造業(yè)等領(lǐng)域的發(fā)展。該文提出了一種新的鋁合金X射線熒光（XRF）光譜分類框架CARS-GAF-MobileNet（CGM）。首先，采用XRF光譜儀獲取鋁合金樣本的XRF光譜數(shù)據(jù)；然后，提出一種基于多元素校正的競爭性自適應(yīng)重加權(quán)采樣（CARS）算法對數(shù)據(jù)進行變量篩選；隨后，使用格拉姆角場（GAF）將一維光譜轉(zhuǎn)換為二維光譜圖像，并通過色彩映射將灰度圖轉(zhuǎn)為RGB圖；最后，將轉(zhuǎn)換后的二維光譜圖作為Mobilenet-V3模型的輸入，對鋁合金樣本進行分類。實驗結(jié)果表明，所提出的CGM框架的最終分類準確率可以達到94.3%，能夠?qū)Σ煌铺柕匿X合金樣品進行精確識別。CGM是一種具有潛力的鋁合金牌號識別框架，對鋁合金分類問題具有較好的理論指導和應(yīng)用價值。

流化床制粒在中藥顆粒制劑的生產(chǎn)中應(yīng)用廣泛，但傳統(tǒng)的制粒過程依賴操作人員對流化床內(nèi)物料狀態(tài)進行觀察，并依據(jù)經(jīng)驗手動調(diào)節(jié)風量與噴液速度，存在耗時耗力、智能化水平不足等問題。為此，該文構(gòu)建了一種基于近紅外光譜的流化態(tài)值反饋控制系統(tǒng)，并對其控制性能進行了評估。該系統(tǒng)通過實時采集流化床制粒過程中的近紅外光譜，分析物料運動狀態(tài)并計算流化態(tài)值指標；隨后，系統(tǒng)根據(jù)流化態(tài)值指標，按照預(yù)設(shè)的控制規(guī)則，自動調(diào)節(jié)噴霧系統(tǒng)中蠕動泵轉(zhuǎn)速，從而實現(xiàn)噴液速度的動態(tài)控制，達成流化態(tài)值實時反饋控制。實驗結(jié)果表明，該反饋控制系統(tǒng)能在流化狀態(tài)惡化時有效預(yù)防流化床失穩(wěn)現(xiàn)象的發(fā)生；在流化態(tài)值良好時加快噴液，節(jié)省制粒時間，提高生產(chǎn)效率。與手動控制方式相比，自動控制系統(tǒng)的噴液時間減少了20%以上；在流化態(tài)值控制方面，該系統(tǒng)與手動控制相當。其在噴液時間優(yōu)化方面則展現(xiàn)出顯著優(yōu)勢。此外，該控制系統(tǒng)在進風溫度、進風量、霧化壓力等工藝條件發(fā)生改變的干擾工況下，均表現(xiàn)出良好的適用性和穩(wěn)定性。因此，所建立的基于近紅外光譜的流化床制粒過程流化態(tài)值反饋控制系統(tǒng)，具有穩(wěn)定性和可靠性，可為流化床制粒的智能制造提供有力的技術(shù)支持。

芒果中的干物質(zhì)（DM）含量是評判芒果品質(zhì)的重要指標之一。該文利用近紅外光譜法（NIR）檢驗和預(yù)測芒果的干物質(zhì)含量。主要基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）框架，研究其結(jié)構(gòu)參數(shù)網(wǎng)格數(shù)值化篩選方案，融入長短期記憶網(wǎng)絡(luò)（LSTM）完成參數(shù)協(xié)同優(yōu)化，構(gòu)建CNN-LSTM融合優(yōu)化模型。實驗過程中，通過構(gòu)建淺層CNN建模框架，針對CNN-LSTM模型的核心參數(shù)進行局部規(guī)模的超參數(shù)聯(lián)合調(diào)試。模型訓練和模型測試結(jié)果顯示，CNN模型和CNN-LSTM模型的最優(yōu)化預(yù)測結(jié)果均明顯優(yōu)于常規(guī)的線性或非線性模型。該研究除了確定最優(yōu)模型以外，還提供了更多可選的模型優(yōu)化參數(shù)組合，有望在芒果的生產(chǎn)和培育過程中得到應(yīng)用。淺層CNN框架融合LSTM優(yōu)化模型及其參數(shù)網(wǎng)格數(shù)值化篩選方案能夠為快速檢測芒果果實中的干物質(zhì)含量提供化學計量學技術(shù)支持。

移動窗口-偏最小二乘（MW-PLS）采用有約束的雙參數(shù)（起點波長、波長數(shù)）搜索，遍歷所有子波段，是光譜分析的有效波段篩選方法。該文將MW-PLS擴展為無約束參數(shù)搜索，記為無約束MW-PLS（UMW-PLS），其兼顧前向和后向優(yōu)化，可優(yōu)選雙波段組合。分別采用MW-PLS和UMW-PLS方法，建立了血清膽紅素指標間接膽紅素（IBil）、直接膽紅素（DBil）和總膽紅素（TBil）的可見-近紅外（Vis-NIR）光譜模型。對于每個指標，最優(yōu)2nd UMW-PLS和3rd UMW-PLS模型分別優(yōu)選到雙波段和三波段組合，嚴格優(yōu)于最優(yōu)MW-PLS模型，波長復雜性依次下降。經(jīng)外部檢驗，三指標的最優(yōu)3rd UMW-PLS模型的偏差性能比（RPD）分別為3.0、3.2和5.8，表明Vis-NIR光譜可用于膽紅素指標IBil、DBil和TBil的無試劑同時定量分析。提出的UMW-PLS是一種簡潔有效的多波段優(yōu)選策略。

采用電感耦合等離子體質(zhì)譜法測定了新會與廣西255批次陳皮樣品中的礦質(zhì)元素含量，利用正交偏最小二乘法判別分析研究不同產(chǎn)地陳皮中的差異元素。采用Z-score標準化、最大最小歸一化、均值歸一化和最大絕對值縮放4種數(shù)據(jù)預(yù)處理方法，結(jié)合隨機森林、決策樹、支持向量機與梯度提升法建立陳皮產(chǎn)地判別模型。結(jié)果顯示，41種礦質(zhì)元素中，Na、Sn、Y、Ba、Er、Ho、Yb、Dy、Ni、Li、Gd、Tb、Sm、Nd、Rb元素是新會陳皮與廣西陳皮的主要差異元素。4種機器學習模型中，支持向量機模型預(yù)測結(jié)果最佳。支持向量機模型中，數(shù)據(jù)在Z-score標準化、最大最小歸一化、均值歸一化3種處理方式下的訓練集與測試集具有相同的準確度，分別為100%與96%，F(xiàn)1值為0.96，模型準確度高。該研究基于礦質(zhì)元素含量結(jié)合機器學習的方法，在陳皮產(chǎn)地鑒別方面具有高準確性與可靠性，為陳皮質(zhì)量控制提供了技術(shù)支撐，也可為中藥材產(chǎn)地溯源提供參考。

該研究選取160份市售及自配的電子煙油樣本，采用傅里葉近紅外光譜儀進行光譜掃描，并通過與化學真實值對比，實現(xiàn)了近紅外光譜技術(shù)（NIRS）對電子煙油中苯甲酸、尼古丁、WS-23、WS-3、丙二醇、丙三醇6種成分含量的準確預(yù)測。利用TQ Analyst軟件，采用偏最小二乘法（PLS），以一階導數(shù)結(jié)合Savitzky-Golay平滑進行光譜預(yù)處理，基于多重相關(guān)光譜確定波段區(qū)間，建立了6種添加劑的近紅外定量模型。結(jié)果顯示，尼古丁、苯甲酸、WS-23、丙二醇、丙三醇5種模型的校正相關(guān)系數(shù)（R²_C）與預(yù)測相關(guān)系數(shù)（R²_P）均高于0.98，可以比較準確地預(yù)測電子煙油中5種添加劑的含量；WS-3模型的交叉驗證相關(guān)系數(shù)（R²_CV）為0.95，相對偏低，模型仍有優(yōu)化空間。該研究建立的定量模型為電子煙油質(zhì)量的快速評價提供了有效工具。

該研究提出一種新的h多重相似性指數(shù)（HMSI）用于中藥指紋圖譜的批次一致性評價。h多重相似性指數(shù)的定義如下：基于批次內(nèi)所有樣品的兩兩相似性（取值在［0，1］之間），如果有M%的兩兩相似性不低于M%，則該批次樣品的h多重相似性指數(shù)為M%。基于麥冬和清胃黃連丸的高效液相色譜（HPLC）指紋圖譜，采用h多重相似性指數(shù)方法進行了不同批次中藥指紋圖譜的一致性評價，并與平均相似性和中位數(shù)相似性進行了比較。結(jié)果表明，h多重相似性指數(shù)適用于HPLC指紋圖譜的一致性評價，在批次一致性評價方面比平均相似性和中位數(shù)相似性更加合理。該指數(shù)不僅考慮了批次內(nèi)樣品的相似性強度，還考慮了高相似性覆蓋的樣品數(shù)目，是一種簡單、穩(wěn)健且更為全面的中藥指紋圖譜批次一致性評價指標。

鑒于犯罪手段的不斷演變，法庭科學亟需一種能同時分析物證形態(tài)和成分的技術(shù)。質(zhì)譜成像在法庭科學中提供了一種高靈敏度、高特異性、檢測范圍廣泛且近無損的分析方法。結(jié)合機器學習后，質(zhì)譜成像能夠分析獲取的豐富數(shù)據(jù)并提取關(guān)鍵化學信息，尤其是在指紋、文件、理化和生物物證檢驗方面展現(xiàn)了顯著的實戰(zhàn)潛力。該文綜述了質(zhì)譜成像數(shù)據(jù)分析的研究進展，包括個體溯源、遺留時間推斷、圖像增強等關(guān)鍵領(lǐng)域，為法庭科學解決實際問題提供了一種強大的工具。盡管面臨操作復雜性和算法解釋難度的挑戰(zhàn)，但該技術(shù)將在未來的復雜物證分析中發(fā)揮關(guān)鍵作用。

塑料污染是人類當今面臨的重大環(huán)境挑戰(zhàn)，大量塑料廢棄物可通過各種途徑進入水體環(huán)境，老化裂解成尺寸小于5 mm的微塑料（MPs）。MPs廣泛分布于水體中，對生態(tài)系統(tǒng)和人類健康構(gòu)成潛在威脅，因此，開發(fā)有效的分析方法識別和檢測MPs至關(guān)重要。現(xiàn)有的MPs識別方法主要包括目視法、光譜法和化學成像法，三者雖各有優(yōu)勢，但普遍存在耗時長、成本高、主觀性強等局限性，限制了技術(shù)發(fā)展。新興的化學計量學技術(shù)可以高效處理和自動化分析海量數(shù)據(jù)，為MPs的識別提供了新的工具。研究表明，傳統(tǒng)MPs識別方法結(jié)合化學計量學技術(shù)可以使識別準確率從60%提升至98%，并實現(xiàn)自動化數(shù)據(jù)分析，極大提高了效率和準確性。此外，原位檢測技術(shù)的發(fā)展有助于降低采樣成本，使得頻繁且長期的MPs監(jiān)測成為可能。該文綜述了現(xiàn)有的水體MPs識別方法及其局限性，介紹了化學計量學的工作流程，并討論了其在MPs識別中的應(yīng)用現(xiàn)狀和最新進展，強調(diào)了其在數(shù)據(jù)處理、技術(shù)優(yōu)化以及定性定量分析中的關(guān)鍵作用。最后，指出了化學計量學技術(shù)當前存在的局限，并為其未來發(fā)展提出了建議與展望。

隨著機器學習在光譜分析中的深入應(yīng)用，模型訓練面臨數(shù)據(jù)樣本稀缺、類別分布失衡等挑戰(zhàn)，制約模型的泛化性能并引發(fā)過擬合風險。該文綜述了2017年以來國內(nèi)外公開文獻，將光譜數(shù)據(jù)增強方法歸納為非深度學習數(shù)據(jù)增強方法和深度學習數(shù)據(jù)增強方法兩大類，揭示了其從淺層數(shù)據(jù)擴充向深度生成建模的演進趨勢。非深度學習的數(shù)據(jù)增強方法通過光譜變換和光譜合成來實現(xiàn)數(shù)據(jù)擴展，憑借其計算效率優(yōu)勢，在工業(yè)過程監(jiān)控、中藥材溯源及藥物與食品質(zhì)量檢測等小樣本場景中展現(xiàn)出良好的適用性。深度生成模型主要為生成對抗網(wǎng)絡(luò)（GAN）及其衍生方法和改進型自編碼器（AE）。GAN通過對抗博弈機制生成與原始數(shù)據(jù)具有結(jié)構(gòu)相似性和分布一致性的增強樣本，在醫(yī)療影像診斷、精準農(nóng)業(yè)和材料分類等高精度建模場景廣泛應(yīng)用；改進型AE通過潛在空間表征學習捕獲數(shù)據(jù)本質(zhì)特征，其生成數(shù)據(jù)既保持原始分布特性又具備特征魯棒性，在化學物質(zhì)鑒定和土壤成分檢測等高維數(shù)據(jù)處理任務(wù)中優(yōu)勢顯著。該綜述指出了現(xiàn)有數(shù)據(jù)增強方法的局限性，并對未來發(fā)展方向進行了探討。