这篇文档属于类型a，即报告了一项原创研究。以下是基于文档内容的学术报告：

作者与机构
本研究的主要作者包括Jiahui Song、Yue Yu、Ruoni Wang、Menting Chen、Zhanming Li、Xueming He、Zhongyang Ren和Hao Dong。他们分别来自江苏科技大学粮食科学与技术学院、南京财经大学食品科学与工程学院、集美大学海洋食品与生物工程学院以及仲恺农业工程学院轻工食品学院。该研究于2024年1月24日发表在《Microchemical Journal》上，文章编号为110032。

学术背景
本研究的主要科学领域是食品科学与技术，特别是大米质量检测与掺假识别。大米在长期储存过程中会发生老化，导致品质下降和消费价值降低。此外，老化过程中产生的毒素可能对消费者健康构成威胁。因此，快速高效地检测大米掺假对于大米质量控制至关重要。传统的大米质量检测方法（如化学试剂测试、过氧化物酶测试和电导率测试）耗时长且不适用于快速准确识别。近年来，近红外光谱（NIRS, Near-Infrared Spectroscopy）因其简单、快速、无损、重现性好且成本低的特点，被广泛应用于食品掺假检测中。本研究旨在利用NIRS结合化学计量学方法，识别两种大米的掺假情况：晚粳米和南方粳米。研究目标是开发一种基于支持向量机分类（SVC, Support Vector Machine Classification）的模型，以实现对老化大米掺假的快速准确检测。

研究流程
研究流程包括以下几个步骤：
1. 样品制备：从国家粮食储备库获取新鲜的南方粳米和晚粳米。将脱壳和抛光后的大米在37°C和85%湿度条件下进行老化处理，并测定其酸值。老化大米与新大米按不同比例（0%、5%、10%、15%、20%、30%、40%、60%、80%、100%）混合，粉碎后通过80目筛网获得不同掺假比例的米粉样品。共制备了200个样品，每个比例20个样品。
2. 光谱采集：使用NIRS光谱仪（FX-2000）在室温下采集光谱数据，光谱分辨率为7.8 nm，平均扫描次数为32次。每个样品从0°、120°和240°三个角度扫描三次，取平均值作为原始数据。
3. 数据预处理：采用六种预处理方法（MSC, Min-Max Normalization, SNV, Smoothing, First Derivative, Second Derivative）对光谱数据进行处理，以消除光谱重叠和低信噪比的影响。
4. 特征波长选择：使用竞争性自适应重加权采样（CARS, Competitive Adaptive Reweighted Sampling）和连续投影算法（SPA, Successive Projections Algorithm）从光谱数据中选择特征波长，以减少冗余信息并提高模型稳定性。
5. 模型建立与参数优化：采用主成分分析（PCA, Principal Component Analysis）、偏最小二乘判别分析（PLS-DA, Partial Least Squares-Discriminant Analysis）和支持向量机分类（SVC）进行定性判别分析。通过交叉验证（CV, Cross Validation）、遗传算法（GA, Genetic Algorithm）和粒子群优化（PSO, Particle Swarm Optimization）优化SVC模型的参数（C, g）。
6. 模型性能评估：使用混淆矩阵（Confusion Matrix）评估模型性能，比较不同预处理方法和特征波长选择方法对模型预测准确率的影响。

主要结果
1. 酸值与光谱预处理：南方粳米和晚粳米的酸值随老化时间增加而增加。不同掺假比例的样品光谱相似性较高，需通过数据挖掘分析提高判别能力。
2. 大米掺假分析：
- PCA结果：PCA分析显示，两种大米的前三个特征值累积贡献率达到99%，但不同掺假比例的样品存在重叠现象，分类准确性较低。
- PLS-DA模型：基于不同预处理方法建立的PLS-DA模型对掺假比例的判别效果不理想，仅平滑处理后的模型准确率较高。
- 特征波长选择后的PLS-DA模型：CARS和SPA特征波长选择后，PLS-DA模型的判别准确率有所提高，但对低比例掺假的识别效果仍不理想。
- SVC模型：基于不同预处理方法建立的SVC模型对掺假比例的判别准确率普遍高于PLS-DA模型。其中，南方粳米的预测集准确率最高达到96%，晚粳米的预测集准确率最高达到92%。
- 特征波长选择后的SVC模型：CARS特征波长选择后，SVC模型的判别准确率进一步提高。MMN-CARS-CV-SVC、SNV-CARS-CV-SVC、SNV-CARS-GA-SVC和SNV-CARS-PSO-SVC模型的准确率达到98%，仅一个样品被误判。MSC-CARS-CV-SVC模型对晚粳米的判别准确率达到96%。

结论
本研究通过结合NIRS和SVC模型，成功开发了一种快速准确检测大米掺假的方法。多种预处理方法和参数优化算法的组合（如MMN-CARS-CV-SVC、SNV-CARS-CV-SVC、SNV-CARS-GA-SVC、SNV-CARS-PSO-SVC和MSC-CARS-CV-SVC）在识别不同比例老化大米掺假方面表现出色，准确率高达98%。该方法不仅为大米质量控制提供了新的技术手段，还为其他谷物掺假分析提供了可能性。

研究亮点
1. 重要发现：SVC模型在识别大米掺假方面表现出色，尤其是结合CARS特征波长选择后，模型的判别准确率显著提高。
2. 方法创新：研究首次将CARS和SPA特征波长选择方法与SVC模型结合，用于大米掺假检测，显著提高了模型的预测能力。
3. 研究对象的特殊性：研究针对南方粳米和晚粳米两种大米进行掺假检测，为不同品种大米的品质控制提供了针对性解决方案。

其他有价值的内容
本研究还探讨了不同预处理方法和特征波长选择技术对模型性能的影响，为未来相关研究提供了重要参考。此外，研究结果支持进一步收集籼米光谱数据，以丰富该领域的研究内容。