振动光谱技术是一种高效的无损检测技术，已成功应用于农产品与食品样本的特性鉴别。然而，由于光谱数据集具有高维度特性，仅通过观察原始光谱数据难以区分不同特性的样本。本研究采用当前先进的降维方法 ——t 分布随机邻域嵌入算法（t-SNE），对五组振动光谱数据集进行可视化分析。同时，从二维空间区分能力与后续分类模型准确率两个维度，对比验证了 t-SNE 算法与其他参照方法（主成分分析法 PCA、等距映射算法 Isomap）的性能表现。在二维空间区分能力方面，t-SNE 算法展现出更理想的可视化鉴别效果，且聚类评价指标得分更优：其轮廓系数平均得分为 0.59（主成分分析法为 0.24，等距映射算法为 0.59），戴维斯 - 布尔丁指数平均得分为 1.51（主成分分析法为 2.58，等距映射算法为 1.52）。
在后续分类模型准确率方面，研究基于三种方法降维得到的二维特征空间，构建了 k 近邻算法（KNN）与支持向量机（SVM）两种监督分类模型。结果显示，t-SNE 算法提取的特征数据在分类准确率上显著优于其他两种方法：基于 t-SNE 特征的 KNN 模型平均准确率达 96%（主成分分析法为 85%，等距映射算法为 92%）；基于 t-SNE 特征的 SVM 模型平均准确率同样为 96%（主成分分析法为 86%，等距映射算法为 92%）。综上，研究结果表明，t-SNE 算法在识别样本间细微光谱差异方面具有巨大潜力，是一种高效的降维与可视化方法，尤其适用于复杂且高度重叠的振动光谱数据分析场景。

本研究旨在将超高效液相色谱 - 二极管阵列检测法（UHPLC-DAD）氨基酸（AA）分析技术，与判别分析（DA）、主成分分析（PCA）等食品溯源分析模型相结合，建立明胶来源的鉴别方法。研究对比多元线性回归（MLR）、主成分回归（PCR）及偏最小二乘回归（PLSR）三种算法，筛选最优模型并实现两大目标：（1）测定非猪源明胶中猪源明胶的掺杂比例；（2）分别测定鱼明胶与牛明胶中猪源明胶的掺杂比例。该分析方法的线性范围为 37.5~1000 pmol/μL，决定系数（R2）达 0.96~1.00，总回收率为 85%~111%。研究以鱼皮、牛皮及猪皮明胶的氨基酸数据为基础，构建训练集、测试集与验证集。判别分析（DA）实现了对鱼、牛、猪三种明胶 100% 的准确分类；主成分分析（PCA）则明确了不同来源明胶的特征性优势氨基酸。其中，非猪源 - 猪源明胶判别模型（NPPDM）与鱼 - 牛 - 猪源明胶判别模型（FBPDM）表现优异，对非猪源 / 猪源明胶的分类准确率达 100%，对鱼、牛、猪三种明胶的分类准确率同样达 100%。模型验证结果显示：采用鱼 - 牛明胶混合训练集（PFBG）时，主成分回归（PCR）模型无法实现非猪源明胶中猪源掺杂成分的定量分析；而以鱼明胶中猪源掺杂训练集（PFG）与牛明胶中猪源掺杂训练集（PBG）为基础时，多元线性回归（MLR）模型的相对误差区间及平均相对误差均低于 PCR 模型，在非猪源明胶掺杂定量分析中表现更优。同理，基于 PFBG 训练集的 PCR 模型无法准确定量鱼明胶和牛明胶中的猪源掺杂成分；而 PFG 训练集对应的 MLR 模型为鱼明胶掺杂定量的最优模型，PBG 训练集对应的 MLR 模型则为牛明胶掺杂定量的最优模型。在实际样品检测中，仅采用 PFG 训练集的 MLR 模型无法实现棉花糖中猪源明胶的定性鉴别，但结合 PFG 与 PBG 双训练集的 MLR 模型可成功完成棉花糖中猪源明胶的定量检测。综上，由于本研究的训练集、测试集及验证集均基于鱼皮、牛皮和猪皮明胶构建，因此 NPPDM 判别模型、FBPDM 判别模型及 MLR 定量模型最适用于这三类明胶的溯源与掺杂分析。本研究期望相关监管机构能够采纳该方法，将其确立为明胶产品来源鉴别的行业标准。

本文建立了一种无损筛选方法，用于鉴别西班牙地理标志保护产品（PDO）“拉维拉甜椒粉” 的真伪。研究以可见 - 近红外光谱作为每份甜椒粉样品的特征指纹图谱，构建了多种多元分类模型，实现对地理标志保护（PDO）与非保护（非 PDO）甜椒粉样品的区分，且整个过程无需对样品进行前处理。研究人员分别在400~2500 nm、400~800 nm 及 800~2500 nm三个光谱区间开展主成分分析（PCA），结果表明，在所有选定的光谱区间内，主成分分析均能有效区分 PDO 与非 PDO 甜椒粉样品。随后，研究在不同光谱区间分别采用偏最小二乘判别分析（PLS-DA）、主成分分析 - 线性判别分析（PCA-LDA）及主成分分析 - 二次判别分析（PCA-QDA）三种方法建立分类模型。实验结果显示，所有模型均能实现两类样品的有效鉴别，错误率（ER）均低于 0.15。其中，在近红外光谱区间（800~2500 nm）基于偏最小二乘判别分析构建的模型表现最优，其错误率低于 0.07，误判指数（IERROR，即假阳性率）低于 0.05。

本研究评估了多种多元分类方法在短波红外波段（1000–2500 nm）高光谱图像分析中的应用，旨在实现开心果坚果的品质控制，具体聚焦于食用开心果制品中污染物的检测。实验共设置 6 类物质样本，包括可食用开心果仁、不可食用开心果仁、开心果壳、开心果荚、细小枝条及石子。研究将所有样本划分为训练集与验证集两类，首先通过主成分分析（PCA）对采集的高光谱图像进行特征探索。随后选取四种多元分类方法，验证并对比其分类效率与稳健性，分别为偏最小二乘判别分析（PLS-DA）、主成分分析结合判别分析（PCA-DA）、主成分分析结合 K 近邻算法（PCA-KNN）以及分类回归树（CART）。从预测图谱及灵敏度、特异度、分类准确率等性能参数数值来看，四种模型的分类效果在多数情况下表现良好。主要误判情况集中于可食用 / 不可食用开心果仁两类之间，以及开心果壳 / 开心果荚 / 细小枝条三类之间，这也验证了主成分分析所观察到的现象 —— 上述类别样本具有相似的光谱特征。分类性能对比显示，PCA-KNN 模型的预测判别能力最优，分类准确率达 0.92~0.99；PLS-DA 与 PCA-DA 模型紧随其后；而 CART 模型的性能则从校正阶段到验证阶段出现明显下降。综上，研究证实：短波红外高光谱成像（SWIR-HSI）技术结合多元统计分析建模，是一种极具潜力的技术方案，可用于构建食用开心果中污染物的离线及在线快速、可靠、稳健检测体系。

出于经济利益驱动的香辛料掺假行为（EMA）屡见不鲜，已成为消费者、生产商及监管机构重点关注的问题。开发能够快速鉴别正品香辛料与低价掺假品的非靶向检测方法，具有迫切的现实需求。为此，本研究采用常压质谱技术（AMS）开展牛至干叶的真伪鉴别研究。研究人员对正品及掺假牛至样品分别进行两种前处理提取，并利用实时直接分析 - 高分辨质谱技术（DART-HRMS），在正、负两种离子模式下完成检测分析。随后对四组 DART-HRMS 数据进行中层数据融合，将整合后的唯一数据集纳入有监督统计分析，筛选出可区分正品与掺假牛至的特征信号。研究初步筛选出 14 个最具鉴别价值的真伪特征信号，并采用 支持向量机（SVM） 完成信号验证。最终构建的判别模型，其准确率、灵敏度及特异度均达到 90% 以上。研究人员另选取独立的正品与掺假牛至样品，对筛选得到的特征质荷比（m/z）进行验证，并评估模型的分类判别能力。据我们所知，本研究首次将常压质谱技术结合中层数据融合策略应用于牛至的真伪鉴别领域。