[Резюме]Технология ближнего инфракрасного спектрального анализа, как новая аналитическая технология, имеет преимущества отсутствия предварительной обработки, быстрой скорости обнаружения, неразрушающего образца, неиспользования растворителя, одновременного обнаружения нескольких компонентов и т. Д. Она широко используется в пищевой, фармацевтической, сельскохозяйственной, нефтехимической и экологической областях.

На основе микроинфракрасного спектрометра, разработанного Центром микросистем Чунцинского университета, в этом документе изучается его применение в анализе и классификации состава алкоголя, что имеет большое значение для достижения быстрого обнаружения алкоголя. Основываясь на ближней инфракрасной спектроскопии белого вина, собранной микроинфракрасным спектрометром, в статье используются основные компоненты анализа, частичное умножение Zui на второй размер, Zui на второй вспомогательный вектор и другие химические методы, а также в сочетании с соответствующей технологией распознавания образов, чтобы создать качественную и количественную аналитическую модель обнаружения алкоголя, чтобы реализовать анализ и классификацию состава алкоголя. Основные исследования заключаются в следующем: (1) была создана экспериментальная платформа для ближнего инфракрасного спектрального анализа с микроинфракрасным спектрометром в качестве ядра для разработки жизнеспособного общего экспериментального плана. В качестве объекта эксперимента были выбраны спиртовые растворы и шесть сортов белого вина, циркулирующих на рынке, для сбора данных ближнего инфракрасного спектра. Для повышения стабильности и применимости последующих моделей были изучены соответствующие алгоритмы предварительной обработки для характеристик собранных спектральных сигналов. Для ближнего инфракрасного спектра, обладающего характеристиками большого объема данных, в документе используется анализ основного компонента и алгоритм малых квадратов с частичным Zui для извлечения информации о характеристиках из спектральных данных и применения методов распознавания режимов (например, SIMCA, метод расстояния по Мартенсу), прежде всего, была создана модель линейного качественного анализа. Учитывая возможную нелинейную зависимость между спектральными и качественными параметрами, для построения нелинейной качественной аналитической модели был использован вектор поддержки малого квадрата Zui.

Результаты показывают, что малый квадрат Zui поддерживает правильную скорость классификации векторов. 3) изучил количественную модель анализа точности белого вина, основанную на спектральных данных спиртового раствора, и сравнил три метода моделирования, обычно используемые для анализа основных компонентов, среднего квадрата Zui и вспомогательного вектора среднего квадрата Zui. Результаты показывают, что стандартное отклонение коррекции для количественной аналитической модели, созданной вектором поддержки Zui на втором квадрате, составляет 00040, а прогнозируемое стандартное отклонение составляет 02912, что лучше, чем у модели анализа основного компонента и модели на втором квадрате на среднем уровне Zui.