


spectroscopy,NIRS)分析不同产地的双面紫紫苏叶。采用预处理方法消除光谱中的多种干扰;多元散射校
(multiplicative scatter correction,MSC)、MSC- 小波包分解(wavelet packet decomposition,WP) 等对NIRS 进行预处理; 主成分分析(principal component analysis,PCA)评价预处理效果。使用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)等筛选特征变量,并利用K- 邻近法算法(K-nearest neighbor,KNN)、偏最小二乘- 判别分析(partial least squares regression-discriminant analysis,PLS-DA)和反向传播- 人工神经网络(back propagation-artificial neural network,BP-ANN)算法构建产地预测模型。结果表明:MSC-WP 预处理效果好;CARS 筛选得到的特征变量效果好。利用筛选到的特征变量构建的产地识别模型中KNN 的模型准确度为99.2%,PLS-DA 模型准确度为85.7%,BP-ANN 模型预测双面紫紫苏叶产地准确率达到100%。因此,采用MSC-WP-CARS-BP-ANN 模型,显著降低数据维度并提升了模型效率,可为现场无损、快速检测分析提供一种高效的双面紫紫苏叶产地预测手段。