这篇文档属于类型a，即报告了一项单一原创研究的学术论文。以下是对该研究的详细介绍：
主要作者及机构
本研究由西北农林科技大学机电工程学院的Wenchuan Guo、Jingsi Gu、Dayang Liu和Liang Shang共同完成，发表于2016年的期刊《Computers and Electronics in Agriculture》上。
学术背景
本研究属于农业工程与食品科学领域，旨在探索利用近红外光谱（Near-Infrared Spectroscopy, NIR）技术对桃子品种进行无损鉴别的可行性。中国种植了超过1000种桃子品种，不同品种的品质差异显著，区分品种不仅对销售商有需求，消费者也希望能够准确识别。传统的物理和化学方法在检测农产品品质时存在速度慢、操作复杂等问题，而近红外光谱技术具有快速、无损、易操作等优势，已在水果品质检测中广泛应用。然而，关于桃子品种鉴别的研究较少，因此本研究的主要目标是探索近红外光谱技术在桃子品种鉴别中的应用。
研究流程
1. 样品准备
研究选取了四种桃子品种：沙红（Shahong）、北京8号（Beijing 8）、红蜜（Hongmi）和莱山蜜（Laishanmi），每种品种各100个样品。所有样品均来自陕西杨凌的两个果园，采摘后储存在4°C的冰箱中。实验前，样品在室温下放置6小时以恢复至室温。
光谱采集
使用傅里叶变换近红外光谱仪（Bruker MP.0331.04）在833至2500 nm范围内采集每个桃子的漫反射光谱。每个样品在果实的两个位置（红晕面和非红晕面）采集光谱，取平均值作为该样品的光谱数据。
样品分组
使用Kennard-Stone算法将所有样品分为校准集（320个样品）和预测集（80个样品），校准集用于建立模型，预测集用于验证模型。
特征波长选择
研究采用三种方法从全光谱（2074个波长）中提取特征波长：主成分分析（Principal Component Analysis, PCA）、基于偏最小二乘的无信息变量消除法（Uninformative Variable Elimination based on Partial Least Squares, UVE-PLS）和连续投影算法（Successive Projections Algorithm, SPA）。PCA提取了8个主成分，UVE-PLS选择了1067个特征波长，SPA选择了10个特征波长。
模型建立
使用最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）和极限学习机（Extreme Learning Machine, ELM）建立桃子品种鉴别模型。输入变量分别为全光谱、PCA提取的主成分、UVE-PLS和SPA选择的特征波长。
模型评估
通过校准集和预测集的准确率评估模型的性能。准确率定义为模型正确识别样品数与总样品数的比值。
主要结果
1. 光谱分析
所有桃子的近红外光谱趋势相似，但在980.58、1199.19、1450.03、1799.21和1927.63 nm处有明显的吸收峰。不同品种在吸收峰处的吸收值存在差异，但直接从原始光谱中区分品种较为困难。
特征波长选择
PCA提取的8个主成分累计贡献率达到99.95%。UVE-PLS选择的1067个特征波长覆盖了全光谱的51%，而SPA选择的10个特征波长则集中在913.55至2495.34 nm范围内。
模型性能
所有基于PCA的模型在预测集中均达到了100%的准确率。基于UVE-PLS的LSSVM模型也达到了100%的准确率，而基于SPA的LSSVM和ELM模型在预测集中的准确率分别为98.8%和99.4%。研究表明，使用PCA和UVE-PLS选择的特征波长能够显著提高模型的预测性能。
结论
本研究证明了近红外光谱技术在桃子品种鉴别中的可行性。PCA和UVE-PLS能够有效提取特征波长，减少数据维度，并提高模型的预测准确率。基于PCA和UVE-PLS的LSSVM模型在预测集中均达到了100%的准确率，表明近红外光谱技术可以成功用于桃子品种的无损鉴别。
研究亮点
1. 首次将PCA、UVE-PLS和SPA三种特征波长选择方法应用于桃子品种鉴别研究，并比较了它们的性能。
2. 使用LSSVM和ELM两种机器学习算法建立模型，并验证了它们在桃子品种鉴别中的有效性。
3. 研究结果表明，PCA和UVE-PLS能够显著提高模型的预测准确率，为近红外光谱技术在农产品品种鉴别中的应用提供了新的思路。
研究价值
本研究不仅为桃子品种的无损鉴别提供了有效的方法，还为近红外光谱技术在其他农产品品种鉴别中的应用提供了参考。此外，研究中采用的特征波长选择方法和机器学习算法也为相关领域的研究提供了新的技术手段。