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

 在分析科學領域的發展進程中，現代分析儀器如同探索物質世界的“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業升級的核心動力。隨著人工智能、大數據與云計算技術的蓬勃發展，化學計量學迎來了前所未有的創新機遇。從便攜式分析儀的現場快速檢測，到在線過程分析儀的實時質量監控；從光譜成像技術的空間信息挖掘，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據分析模式，助力現代分析儀器實現了從“定性定量”到“精準溯源”的跨越，成為構建新一代智能分析儀器的理論基石與技術引擎。

      為集中展示我國在化學計量學賦能現代分析儀器領域的最新研究成果，推動跨學科交叉融合與學術交流，《分析測試學報》特別策劃“化學計量學賦能現代分析儀器”專輯。本專輯特邀天津工業大學卞希慧教授、中國農業科學院張良曉研究員、中國農業大學黃越副教授、湖南農業大學李跑副教授擔任客座主編，精心組織數十位相關領域學者撰寫的29篇高質量稿件，內容涵蓋了化學計量學新算法在光譜、色譜、質譜等儀器中的創新應用，智能化分析儀器的集成系統研發，以及化學計量學在中醫藥、食品、環境、材料、化妝品等行業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、計算機科學等領域的研究者提供一個思想碰撞與技術交流的平臺，促進化學計量學理論創新與儀器技術升級的深度融合，激發更多前沿性、突破性的研究思路。

采用UHPLC-QE-Orbitrap MS技術結合網絡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表征和預測模型，利用嘗試解開其復雜性。基于UHPLC-QE-Orbitrap MS技術在正、負模式下采集的血液非靶向代謝組學圖譜，利用數據驅動網絡算法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。進一步，CTD 算法能夠量度高連通擾動代謝物間的協變信息，構建主要疾病模塊系統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），馬修斯相關系數預測均值分別為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據，并結合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。為實現臺式近紅外光譜數據與便攜式近紅外光譜數據之間的模型適配與轉移，該研究探索了兩種標樣集選擇方法：層次聚類法與SPXY算法，并應用兩種模型轉移方法：直接標準化法（DS）和分段直接標準法（PDS）。研究結果表明，標樣集選擇方法與模型轉移方法對模型轉移效果具有顯著影響。通過配對t檢驗進一步驗證，最佳轉移模型的預測值與真實值之間無顯著差異（P值均大于0.05），表明所建立的轉移模型在不同儀器間具有較好的適應性。該研究為近紅外光譜技術在淫羊藿與柔毛淫羊藿的定量分析與模型轉移方面的研究提供了依據。

為實現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，結合數據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。結果表明，FT-NIR和FT-NIR+ATR-FTIR融合數據集經二階導數（2nd）預處理后構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%。基于二維相關光譜（2DCOS）構建的殘差卷積神經網絡（ResNet）模型在訓練集、測試集和外部驗證集上均實現了100.00%的準確率。該研究為鐵皮石斛地理溯源和地理標志產品保護提供了科學依據。

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-預測-檢驗實驗設計，搭建了基于多尺度卷積、壓縮-激勵網絡（SE Net）注意力機制和多尺度膨脹卷積的新型卷積神經網絡（CNN）集成算法，連同經典的偏最小二乘-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變量（SNV）變換進行光譜預處理。基于近紅外區（780~1 118 nm）經SNV處理的光譜的PLS-DA模型和新型CNN模型取得更優的建模效果，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用于其他光譜分析領域。

為解決傳統的微藻檢測方法依賴于人工鏡檢、分析時間長且檢測結果易受檢測人員技術經驗影響等問題，提出了一種圖像預處理整合策略結合改進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結構減少參數數量和模型大小，同時加入SimSPPF加速模型收斂，提高運行效率。結果表明，多方法整合的預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出更優的檢測性能。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%。該方法為開發微藻種類檢測技術提供了有價值的參考。

基于近紅外光譜結合化學計量學方法，針對淫羊藿與柔毛淫羊藿的基原鑒別及模型轉移進行了系統研究。首先，通過主成分分析（PCA）探討兩者的光譜差異，為后續分類建模提供參考。隨后，建立支持向量機（SVM）和隨機森林（RF）分類模型，并對比不同光譜預處理方法的影響，篩選出最佳預處理組合（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性和遷移效果。研究結果表明，SVM模型在分類準確率和遷移穩定性方面均優于RF模型，為便攜式近紅外光譜儀在中藥基原鑒別中的應用提供了科學依據。

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）及二維相關光譜（2DCOS）技術，結合化學計量學與深度學習建立偏最小二乘判別分析（PLS-DA）和殘差卷積神經網絡（ResNet）判別模型，對7個主產區（221份）的草果樣本進行快速、準確溯源。結果表明：ATR-FTIR光譜數據經二階導數（2nd）+標準正態變換（SNV）預處理后建立的PLS-DA模型性能最好（95.31%），但FT-NIR光譜數據的最佳預處理為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處理和復雜的數據轉換，即可達到100%的準確率。其中，基于FT-NIR數據轉化的同步2DCOS圖像建立的ResNet模型的迭代次數最少、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，為草果質量等級評價體系的進一步研究奠定了基礎。

為了解貴州不同產區蜜甜香型煙葉的煙氣特征香氣成分，利用劍橋濾片捕集結合氣相色譜-嗅聞儀-質譜儀（GC-O-MS）對9個煙氣樣品的揮發性化合物進行鑒定，通過多元統計手段結合相對香氣活度值（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在物質基礎。結果表明：GC-MS共鑒定出144種揮發性成分，包括31種酮類、22種烴類、22種雜環類、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GC-O-MS共嗅辨到69種香氣化合物，香氣特征主要呈現果香、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種關鍵差異揮發性香氣化合物。依據VIP>1（P＜0.05）和ROAV≥1的條件，得到1-戊烯-3-酮、甲基環戊烯醇酮、乙基環戊烯醇酮、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）結果進一步驗證了上述8種香氣物質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鍵香氣化合物。研究結果可為闡明貴州地區煙葉煙氣的香氣特征提供參考。

該研究將機器學習技術與方波脈沖振蕩伏安法（SWASV）相結合，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尋找線性響應區間，并且在多離子環境下，SWASV曲線常出現干擾，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，對檢測數據進行電流值、峰值電壓和峰面積等重要參數進行特征提取，并結合極端梯度提升（XGBoost）和隨機森林（RF）構建濃度預測模型，使用支持向量機（SVM）進行分類預測。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濃度預測模型預測值和真實值間的擬合度（R-Squared）均達到0.95以上。通過結合SWASV和機器學習，能夠在復雜的離子混合體系中實現高精度的離子檢測，并有效提高了檢測結果的可靠性。本研究的成果為多重重金屬離子的環境監測和污染控制提供了創新的解決方案，并在電化學分析領域展示了機器學習的應用潛力。

野外環境下天然未知礦物的快速識別受限于不同光譜設備分辨率差異、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，該文設計并實現了一種多尺度卷積神經網絡結合光譜樣本生成的拉曼光譜分類模型，并聯立便攜式拉曼光譜儀實現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不同設備所采集光譜的維數匹配，從而消除不同光譜設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絡進行訓練并產生15 000個擴增樣本，從而緩解了數據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絡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）等幾類經典機器學習模型對未知礦物的識別性能進行對比。結果表明，所提出的多尺度卷積神經網絡結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合便攜式拉曼光譜系統對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，體現了該方法快速、精確和無需取樣制樣的優勢。

采用傅里葉變換近紅外光譜（FT-NIR）與二維相關光譜（2DCOS）技術，結合化學計量學方法和深度學習算法，分別構建了偏最小二乘判別分析（PLS-DA）模型和殘差卷積神經網絡（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）。結果表明：FT-NIR數據經一階導數（1st Der）和多元散射校正（MSC）組合預處理后建立的PLS-DA模型綜合性能最好（準確率99.00%）。同時，基于FT-NIR同步2DCOS圖像結合ResNet模型的鑒別方法，無需篩選最佳預處理和進行復雜的數據轉換，即可實現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，可為天麻種質資源研究與新品種選育進一步奠定基礎。

基于紫外光譜結合機器學習算法，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，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種光譜預處理方法、3種機器學習算法、3種數據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。結果表明，選擇190~360 nm的紫外光譜，經標準正態變量變換（SNV）和Savitzky-Golay卷積平滑（SG）聯合處理，選用訓練集與預測集劃分比例7∶3，采用誤差逆傳播（BP）神經網絡算法建立定性分類模型時，模型訓練集與預測集的準確率分別可達96.58%和98.00%，具有良好的預測與泛化能力。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的快速篩查提供了新的思路和解決方案，且可助力現場快檢。

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，整合子模型的預測結果。PCA-SVM和MPLS-DA均成功構建了CHQL的判別模型。PCA-SVM能區分CHQL與OBQL、NQBL，但無法區分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展現出更優的樣品識別能力。

土壤沉積物中的重金屬污染問題日益凸顯，開發現場快速檢測技術已成為確保污染監測有效性及推進環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（LIBS）結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，探究了不同光譜預處理方法對光譜數據的預處理性能。緊接著基于變量重要性測量（VIM）對預處理后的光譜數據進行特征變量篩選。借助交叉驗證對預處理方法、變量重要性閾值等參數進行了優化。基于優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。結果表明，該研究提出的VIM-RF校正模型表現出最佳的預測性能，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境重金屬污染快速篩查及治理提供一定的理論參考依據。

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（質量分數均為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定量模型的預測性能展現出顯著優勢，GA-PLSR模型對3種MPs的預測相關系數（R_p）均超過0.873 7，殘余預測偏差比（RPD）均超過2.709 0。結果表明：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測模型。在該類任務中，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，設計了一組實驗樣本集，采用基于虛擬樣本技術的集成偏最小二乘判別分析模型構建了分類器，用于識別藥物過期與否。在10個不同光譜區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勢，在少數類樣本過少時，所提出的集成算法更能顯示出優勢，該方法對其他類型體具有應用潛力。

為拓展揮發組學在血液種屬鑒別（BSI）領域的應用，該研究測定了多種物種血液的揮發性有機物（VOCs），構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建一對多分類模型，進行基準測試、超參數調優、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的潛在標志物共17種，基準測試獲得最優算法為K-最近鄰（KNN）算法，分類模型最優超參數組合為：K值為5，距離加權核函數為三權函數，閔氏距離參數p為0.324 0；驗證集下最優模型準確度、曲線下面積、布里爾分數分別為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果無顯著差異（t檢驗p > 0.05），不同重采樣方法模型結果無顯著差異（t檢驗p > 0.05）。該研究表明，揮發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。

該研究利用基質輔助激光解吸-飛行時間質譜（MALDI-TOF MS）分析技術結合兩種改進的隨機森林融合算法對白術進行產地溯源分析。首先通過MALDI-TOF MS獲取了來自3個省份白術樣本的質譜數據，每個樣本的數據大小為1×234 154。鑒于樣本數據量龐大，故采用數據分箱策略進行初步簡化（1×6 600）。然后通過設定的累計方差貢獻率閾值進行主成分分析，對數據進行降維。利用降維后的數據構建自適應增強極端隨機森林模型（AERF）和自適應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模型對白術進行產地溯源。結果表明，所提出的基于降維數據構建的AERF-ABRF能夠準確區分來自3個省份的白術樣本，其對測試集和預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）進行預測。結果顯示，以一階導數（1D）和競爭自適應重加權采樣（CARS）相結合開發的PLSR校正模型可以有效預測批次1的SSC，預測相關系數（R_p）和預測均方根誤差（RMSEP）分別為0.972 8和0.383 8 °Brix，但批次1的 PLSR 模型難以預測批次2的SSC。因此使用校準更新、斜率/偏差校正（SBC）、動態正交投影（DOP）3種方法更新模型，同時研究不同更新樣本數對更新效果的影響。結果顯示，3種方法更新后模型預測結果的RMSEP均明顯下降。其中，SBC方法取得最好的結果，使用20個新樣本進行更新后，模型對批次2樣本測試集預測的RMSEP從1.075 6 °Brix下降至0.233 4 °Brix。從實驗結果可以看出，模型更新方法能夠有效解決模型在預測不同品種蘋果時表現不佳的問題，提升模型穩健性，為實際應用中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上得到廣泛應用，對鋁合金的牌號進行準確分類能夠進一步推動制造業等領域的發展。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光譜數據；然后，提出一種基于多元素校正的競爭性自適應重加權采樣（CARS）算法對數據進行變量篩選；隨后，使用格拉姆角場（GAF）將一維光譜轉換為二維光譜圖像，并通過色彩映射將灰度圖轉為RGB圖；最后，將轉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%，能夠對不同牌號的鋁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用價值。

流化床制粒在中藥顆粒制劑的生產中應用廣泛，但傳統的制粒過程依賴操作人員對流化床內物料狀態進行觀察，并依據經驗手動調節風量與噴液速度，存在耗時耗力、智能化水平不足等問題。為此，該文構建了一種基于近紅外光譜的流化態值反饋控制系統，并對其控制性能進行了評估。該系統通過實時采集流化床制粒過程中的近紅外光譜，分析物料運動狀態并計算流化態值指標；隨后，系統根據流化態值指標，按照預設的控制規則，自動調節噴霧系統中蠕動泵轉速，從而實現噴液速度的動態控制，達成流化態值實時反饋控制。實驗結果表明，該反饋控制系統能在流化狀態惡化時有效預防流化床失穩現象的發生；在流化態值良好時加快噴液，節省制粒時間，提高生產效率。與手動控制方式相比，自動控制系統的噴液時間減少了20%以上；在流化態值控制方面，該系統與手動控制相當。其在噴液時間優化方面則展現出顯著優勢。此外，該控制系統在進風溫度、進風量、霧化壓力等工藝條件發生改變的干擾工況下，均表現出良好的適用性和穩定性。因此，所建立的基于近紅外光譜的流化床制粒過程流化態值反饋控制系統，具有穩定性和可靠性，可為流化床制粒的智能制造提供有力的技術支持。

芒果中的干物質（DM）含量是評判芒果品質的重要指標之一。該文利用近紅外光譜法（NIR）檢驗和預測芒果的干物質含量。主要基于卷積神經網絡（CNN）框架，研究其結構參數網格數值化篩選方案，融入長短期記憶網絡（LSTM）完成參數協同優化，構建CNN-LSTM融合優化模型。實驗過程中，通過構建淺層CNN建模框架，針對CNN-LSTM模型的核心參數進行局部規模的超參數聯合調試。模型訓練和模型測試結果顯示，CNN模型和CNN-LSTM模型的最優化預測結果均明顯優于常規的線性或非線性模型。該研究除了確定最優模型以外，還提供了更多可選的模型優化參數組合，有望在芒果的生產和培育過程中得到應用。淺層CNN框架融合LSTM優化模型及其參數網格數值化篩選方案能夠為快速檢測芒果果實中的干物質含量提供化學計量學技術支持。

移動窗口-偏最小二乘（MW-PLS）采用有約束的雙參數（起點波長、波長數）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擴展為無約束參數搜索，記為無約束MW-PLS（UMW-PLS），其兼顧前向和后向優化，可優選雙波段組合。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2nd UMW-PLS和3rd UMW-PLS模型分別優選到雙波段和三波段組合，嚴格優于最優MW-PLS模型，波長復雜性依次下降。經外部檢驗，三指標的最優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選策略。

采用電感耦合等離子體質譜法測定了新會與廣西255批次陳皮樣品中的礦質元素含量，利用正交偏最小二乘法判別分析研究不同產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種數據預處理方法，結合隨機森林、決策樹、支持向量機與梯度提升法建立陳皮產地判別模型。結果顯示，41種礦質元素中，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，支持向量機模型預測結果最佳。支持向量機模型中，數據在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%，F1值為0.96，模型準確度高。該研究基于礦質元素含量結合機器學習的方法，在陳皮產地鑒別方面具有高準確性與可靠性，為陳皮質量控制提供了技術支撐，也可為中藥材產地溯源提供參考。

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，實現了近紅外光譜技術（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測。利用TQ Analyst軟件，采用偏最小二乘法（PLS），以一階導數結合Savitzky-Golay平滑進行光譜預處理，基于多重相關光譜確定波段區間，建立了6種添加劑的近紅外定量模型。結果顯示，尼古丁、苯甲酸、WS-23、丙二醇、丙三醇5種模型的校正相關系數（R²_C）與預測相關系數（R²_P）均高于0.98，可以比較準確地預測電子煙油中5種添加劑的含量；WS-3模型的交叉驗證相關系數（R²_CV）為0.95，相對偏低，模型仍有優化空間。該研究建立的定量模型為電子煙油質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（HMSI）用于中藥指紋圖譜的批次一致性評價。h多重相似性指數的定義如下：基于批次內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相似性進行了比較。結果表明，h多重相似性指數適用于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相似性更加合理。該指數不僅考慮了批次內樣品的相似性強度，還考慮了高相似性覆蓋的樣品數目，是一種簡單、穩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和成分的技術。質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。結合機器學習后，質譜成像能夠分析獲取的豐富數據并提取關鍵化學信息，尤其是在指紋、文件、理化和生物物證檢驗方面展現了顯著的實戰潛力。該文綜述了質譜成像數據分析的研究進展，包括個體溯源、遺留時間推斷、圖像增強等關鍵領域，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，但該技術將在未來的復雜物證分析中發揮關鍵作用。

塑料污染是人類當今面臨的重大環境挑戰，大量塑料廢棄物可通過各種途徑進入水體環境，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，對生態系統和人類健康構成潛在威脅，因此，開發有效的分析方法識別和檢測MPs至關重要。現有的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，限制了技術發展。新興的化學計量學技術可以高效處理和自動化分析海量數據，為MPs的識別提供了新的工具。研究表明，傳統MPs識別方法結合化學計量學技術可以使識別準確率從60%提升至98%，并實現自動化數據分析，極大提高了效率和準確性。此外，原位檢測技術的發展有助于降低采樣成本，使得頻繁且長期的MPs監測成為可能。該文綜述了現有的水體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識別中的應用現狀和最新進展，強調了其在數據處理、技術優化以及定性定量分析中的關鍵作用。最后，指出了化學計量學技術當前存在的局限，并為其未來發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用，模型訓練面臨數據樣本稀缺、類別分布失衡等挑戰，制約模型的泛化性能并引發過擬合風險。該文綜述了2017年以來國內外公開文獻，將光譜數據增強方法歸納為非深度學習數據增強方法和深度學習數據增強方法兩大類，揭示了其從淺層數據擴充向深度生成建模的演進趨勢。非深度學習的數據增強方法通過光譜變換和光譜合成來實現數據擴展，憑借其計算效率優勢，在工業過程監控、中藥材溯源及藥物與食品質量檢測等小樣本場景中展現出良好的適用性。深度生成模型主要為生成對抗網絡（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據具有結構相似性和分布一致性的增強樣本，在醫療影像診斷、精準農業和材料分類等高精度建模場景廣泛應用；改進型AE通過潛在空間表征學習捕獲數據本質特征，其生成數據既保持原始分布特性又具備特征魯棒性，在化學物質鑒定和土壤成分檢測等高維數據處理任務中優勢顯著。該綜述指出了現有數據增強方法的局限性，并對未來發展方向進行了探討。