酱香型白酒以红缨子糯高粱为原料，采用独特的“四高两长”（高温制曲、高温堆积、高温发酵、高温馏酒、生产周期长、储存时间长）酿造工艺，经2次投料、9次蒸煮、8次发酵、7次取酒，并按照不同轮次的醇甜酒、窖面酒、窖底酒以及某些特型调味酒等分别贮存、精心勾调而成的蒸馏白酒[1]。酱香型白酒的风味物质约占2%，但成分却多达上千种[2-3]，其中含量高于1 mg/100 mL的微量成分被称为“骨架成分”，是白酒中占优势的风味成分[4]，白酒香和味的主要构成要素，也是勾兑与调味环节的核心要素之一[5]，决定着白酒的感官品质及风格特征，有些还是区分基酒等级的关键差异物质[6-9]。因此在白酒生产过程中需要被快速检测。但这些指标的检测方法通常为气相色谱法或酸碱滴定法，存在分析时间长，操作繁琐复杂等问题，难以快速反馈数据并及时指导生产。
红外光谱可反映物质成分信息，通过结合化学计量学构建定量模型，可快速预测物质含量信息；且无需前处理、操作便捷、分析快速、环保无污染，被广泛应用于农产品检验、酒类分析等行业[11-12]。中红外光谱主要是基频吸收，峰形明显、信号强；与近红外相比，检出限低1～3个数量级，适合白酒中含量相对较低的关键成分的检测。衰减全反射（attenuated total reflection，ATR）红外光谱是傅里叶变换红外光谱分析测试中常用的测试手段，所测光谱与透射光谱的谱带位置和形状几乎完全一致，不存在干涉条纹，特征谱带清晰[13-14]；且与液体池（透射）相比，操作更加简便，且容易清洗干净。
WU J H等[15]采用中红外光谱对浓香型白酒骨架成分建立了定量模型，其中，乳酸乙酯、异丁醇校正集与预测集决定系数R2c、R2p均超过0.90，乙酸R2达0.84。周军等[16]对浓香型白酒总酸、己酸乙酯含量建立基于中红外方法的检测模型，R2达到0.95，可实现有效快速检测。孙宗保等[17-18]分别以衰减全反射傅里叶变换红外光谱（attenuated total reflection Fourier transform infrared spectroscopy，ATR-FTIR）和透射方式对浓香型白酒建立乳酸乙酯、乙酸乙酯骨架成分的定量模型，相关系数R达0.9，可满足白酒生产过程中各酯类化合物含量的检测要求。
本研究基于衰减全反射傅里叶变换红外光谱（ATRFTIR）技术结合偏最小二乘（partial least squares，PLS）算法，对构成酱香型白酒基础风味和典型风格的含量较高、作用关键的12种骨架成分（正丙醇、异丁醇、异戊醇、β-苯乙醇、乙酸乙酯、乳酸乙酯、辛酸乙酯、乙醛、糠醛、乙缩醛、乙酸、丙酸），建立一种同时、快速的测定方法，以期实现对酱香型白酒生产质控的快速反馈与及时干预。
1 材料与方法
1.1 材料与试剂
1.1.1 材料酱香型白酒一～七轮次基酒（每轮次99个，共693个）：贵州国台庄园数智酒业有限公司。
1.1.2 化学试剂
无水乙醇（色谱纯）：天津市康科德科技有限公司；正丙醇、异丁醇、异戊醇、苯乙醇、乙酸乙酯、乳酸乙酯、辛酸乙酯、乙醛、糠醛、乙缩醛、乙酸、丙酸、叔戊醇、乙酸正戊酯、2-乙基丁酸标准物质（均为色谱纯）：天津市光复精细化工研究所；氢氧化钠、酚酞（分析纯）：国药集团化学试剂有限公司。
1.2 仪器与设备
Tensor 27型傅里叶变换红外光谱仪（配水平衰减全反射（ATR）附件，晶体材质为锗，10次反射）：德国布鲁克公司；8890型气相色谱仪（配氢火焰离子化检测器）、CP-WAX 57CB白酒分析气相色谱柱（50 m×0.25 mm，0.2 μm）：美国安捷伦公司；ME204T型分析天平：瑞士梅特勒-托利多公司。
1.3 方法
1.3.1 实验方法
（1）红外光谱检测
室温条件下，以无水乙醇为背景，在波数4 000～700cm-1范围扫描红外光谱，分辨率8 cm-1，扫描次数32。693个样品检测3次取平均光谱。
（2）骨架成分含量检测
取5 mL酒样，加入50 μL内标溶液（叔戊醇1.608 g/L、乙酸正戊酯1.736 g/L、2-乙基丁酸1.826 g/L）混匀备用。气相色谱检测条件：进样口200 ℃，检测器200 ℃；载气为高纯氮气，柱流量：初始0.5 mL/min保持15 min；以1 mL/min速率升至1 mL/min保持35 min。进样量0.4 μL，分流比30∶1。升温程序：初始35 ℃保持2 min；以1 ℃/min升至45 ℃保持1 min；以2 ℃/min升至50 ℃保持2 min；以7 ℃/min升至160 ℃保持6 min；以25 ℃/min升至200 ℃保持5 min。定性定量方法：根据标准品保留时间定性；以待测物与内标物含量比为横坐标，峰面积比为纵坐标，建立风味物质标准曲线，采用内标法定量酒样中各风味物质。
1.3.2 分析方法
（1）样本分组
以K-S（Kennard-Stone）法将全部样品按4∶1划分为校正集与验证集。交叉验证用于模型训练过程中的调参和初步评估，确定最佳主成分数、初步评估模型性能、比较不同预处理方式效果。外部预测是最终测试模型在新数据上的表现，用于对最终确定的模型进行完全独立的、无偏的性能评估。
（2）模型建立
对校正集样本建立模型，以ATR-FTIR各波数上的吸光度值为自变量，以关键指标的含量数据作为响应值，采用交叉验证方式建立PLS定量模型，考察各个主成分上的均方根误差，选取数值最低的均方根误差的主成分数作为最佳主成分数，在此主成分数上建立模型，考察模型校正集（calibration set）决定系数R2Cal、交叉验证（cross-validation）决定系数R2Val、校正集均方根误差（root mean square error of calibration，RMSEC）、交叉验证均方根误差（root mean square error of cross-validation，RMSECV）。
（3）模型优化
波段选择：在红外光谱全波段数据上进行波段筛选，以消除不相关变量的影响简化模型，提高稳定性和准确性。以间隔偏最小二乘法（interval PLS，iPLS）对近红外波段进行筛选，将全波段分为20个子区间，选择RMSECV低于全波段的区间作为特征波段用以建模。
谱图处理：对红外光谱数据进行谱图预处理以改善杂散光、仪器噪音、基线漂移等因素的影响，提高谱图质量，提升建模效果。在原始谱图（raw spectra，RS）上以移动平均平滑（moving average）减少光谱噪音；以一阶导数（first derivative，FD）、二阶导数（second derivative，SD）分别消除光谱中基线的平移和漂移，消除背景干扰，分辨重叠峰，提高分辨率和灵敏度；以单位矢量归一化（unit vector normalization，UVN）消除样品变化带来的随机噪音；以标准正态变量校正（standard normal variate correction，SNV）消除样本表面散射的影响；以多元散射校正（multiplicative scatter correction，MSC）消除线性散射影响；以去趋势校正（detrend）消除光谱中的基线漂移，消除不同样品和批次对NIR谱图的影响；以基线校正（baseline offset）、降低分辨率（deresolve）、光谱转换（spectroscopic）等方法及其组合对光谱数据进行预处理，考察各种处理方式下的模型效果。将R2Val最高、RMSECV最低的处理方式确定为最佳处理方法。
（4）模型验证
以优化后模型预测验证集样本骨架成分含量，并与参考方法所测数据相比对，考察预测结果决定系数R2Pre、预测均方根误差（root mean square error of prediction，RMSEP）以及相对预测偏差（relative precent deviation，RPD）。
（5）数据处理
使用OPUS 7.2对红外光谱进行数据采集与峰搜寻，利用The Unscrambler 10.4进行谱图处理与模型建立，采用matlab2023a进行波段筛选。
2 结果与分析
2.1 红外光谱分析
白酒基酒中主要成分为水和乙醇，约占总量的98%，因此在红外光谱上反映出非常强的吸收峰（图1）。由图1a可知，在3 315 cm-1附近强而宽的吸收峰是醇羟基O-H伸缩振动吸收谱带，1 088 cm-1、1 047 cm-1属于醇C-OH的伸缩振动，3 000 cm-1～2 840 cm-1为C-H键的伸缩振动吸收峰，1 377 cm-1是CH3对称变角。3 422 cm-1附近的宽吸收峰，包括水分子的伸缩振动；1 645 cm-1处附近峰则为水分子的变角振动[19]。由图1b可知，不同样品的红外吸收峰强度和面积不尽相同，这是基酒组分定量的基础；但不同样品的红外光谱高度相似，因此借助化学计量学手段挖掘成分浓度信息，建立定量模型。
图1 酱香型白酒基酒衰减全反射傅里叶变换红外光谱
Fig.1 Attenuated total reflection Fourier transform infrared spectroscopy of sauce-flavor Baijiu base liquor
2.2 样品分组
全部样品以K-S法按4∶1分组，建模集554个，预测集139个（表1）。K-S法可保证建模样本具有代表性，确保校正集样本包括测量样本的完整背景信息。同时，验证集的样本可以落在校正集样本的空间内，利于模型有效性检验[20]。
表1 酱香型白酒基酒12种关键指标的统计结果
Table 1 Statistics results of 12 key indicators of sauce-flavor Baijiu base liquor
关键指标 样本组 最小值/（g·L-1）最大值/（g·L-1）平均值/（g·L-1）标准差正丙醇异丁醇异戊醇β-苯乙醇乙酸乙酯乳酸乙酯辛酸乙酯乙醛校正集验证集校正集验证集校正集验证集校正集验证集校正集验证集校正集验证集校正集验证集校正集验证集0.222 8 0.243 6 0.047 9 0.050 7 0.089 6 0.092 6 0.005 2 0.005 9 0.788 7 0.797 4 0.755 2 0.848 9 0.004 8 0.005 1 0.044 4 0.054 7 66.835 9 64.524 2 0.511 4 0.429 1 1.099 1 0.867 7 0.027 5 0.027 1 13.307 0 10.103 4 9.052 5 8.800 7 0.128 9 0.117 4 0.750 8 0.559 9 5.191 0 8.378 6 0.155 0 0.150 2 0.348 6 0.322 2 0.014 3 0.012 7 2.808 4 3.652 5 4.949 2 4.461 3 0.020 9 0.028 4 0.207 0 0.174 5 12.271 3 15.253 7 0.068 6 0.075 9 0.197 8 0.201 6 0.005 6 0.005 8 2.026 3 2.295 9 2.267 6 2.299 1 0.023 5 0.028 7 0.106 4 0.101 0
续表
关键指标 样本组 最小值/（g·L-1）最大值/（g·L-1）平均值/（g·L-1）标准差糠醛乙缩醛乙酸丙酸校正集验证集校正集验证集校正集验证集校正集验证集0.021 6 0.031 4 0.030 1 0.036 8 0.573 7 0.624 9 0.002 4 0.006 5 1.381 2 1.077 8 0.536 1 0.396 4 6.174 5 5.807 1 0.863 5 0.754 1 0.438 2 0.327 5 0.160 9 0.137 2 2.234 8 2.755 2 0.107 9 0.132 1 0.278 9 0.225 3 0.080 1 0.072 9 1.323 7 1.459 1 0.180 6 0.187 2
2.3 模型建立
2.3.1 波段选择
为排除光谱信噪比低、光谱质量差、对外界环境因素变化敏感的波段，剔除不相关或非线性变量，避免波长变量之间存在线性相关现象导致光谱信息冗余，在建立模型时，使用iPLS法进行波段筛选，以得到各指标的特征波段。iPLS原理是将整个光谱等分为若干个子区间，在每个子区间上进行PLS回归，找出最小均方根误差（root mean square error，RMSE）对应的区间，然后再以该区间为中心单向或双向扩充（或消减）波长变量，得到最佳的波长区间[21]。
基酒关键指标在全波段及特征波段下的建模效果见表2。由表2可知，与全波段建模相比，在特征波段上建立的模型，全部指标的R2Val均有提高，R2越接近1效果回归越好；RMSECV均有下降，RMSE越小表示预测准确性及稳健性越好。正丙醇、乳酸乙酯、辛酸乙酯、乙醛、糠醛、乙缩醛、乙酸、丙酸指标在R2Val提升、RMSECV下降的同时，建模主因子数下降，说明模型对指标含量特征的抽提效果更好，模型复杂程度降低。并且各指标经波段筛选后，变量数减少45%以上，大幅减少运算时间。综上，波段筛选可有效改善定量模型回归效果与预测性能，提高分析效率。
表2 不同波段下酱香型白酒基酒12种关键指标定量模型
Table 2 Quantitative models of 12 key indicators of sauce-flavor Baijiu base liquor at different waveband
指标 波段/cm-1 变量数 主因子数 R2Cal RMSEC R2Val RMSECV正丙醇异丁醇651 3异戊醇β-苯乙醇14 13 13 10 14乙酸乙酯乳酸乙酯881辛酸乙酯乙醛49762 6糠醛乙缩醛17 25 16 26 17乙酸丙酸4 000～700 3 024～2 858，1 033～867 4 000～700 3 834～3 348，3 024～2 858，2 028～867 4 000～700 3 024～2 858，2 028～867 4 000～700 3 024～2 858，2 692～2 360，2 028～867 4 000～700 2 692～2 526，2 028～1 199 4 000～700 3 024～2 858，1 863～1 697，1 531～867 4 000～700 1 531～1 199 4 000～700 1 863～867 4 000～700 1 863～1 199，1 033～867 4 000～700 2 028～867 4 000～700 2 692～2 526，1 863～1 199 4 000～700 3 024～2 526，1 863～1 697，1 531～867 854 88 854 473 854 346 854 389 854 260 854 261 854 87 854 259 854 217 854 302 854 217 854 217 8553 0.979 4 0.996 5 0.696 5 0.774 1 0.848 4 0.900 2 0.782 4 0.861 3 0.922 8 0.954 8 0.949 4 0.966 0 0.864 3 0.869 5 0.786 9 0.843 1 0.891 5 0.947 2 0.784 1 0.851 4 0.935 1 0.932 8 0.937 0 0.940 4 1.761 1 0.728 3 0.037 8 0.032 6 0.077 0 0.062 4 0.002 6 0.002 1 0.562 7 0.430 4 0.509 4 0.418 0 0.008 6 0.008 5 0.049 1 0.042 1 0.092 0 0.064 2 0.037 2 0.030 9 0.336 9 0.342 8 0.045 3 0.044 0 0.976 2 0.996 2 0.647 1 0.745 8 0.826 6 0.889 6 0.751 5 0.846 6 0.914 4 0.950 5 0.940 7 0.964 8 0.849 4 0.864 9 0.722 6 0.814 9 0.856 1 0.940 0 0.723 4 0.823 0 0.929 4 0.930 4 0.930 1 0.938 2 1.891 0 0.751 3 0.040 8 0.034 7 0.082 5 0.065 8 0.002 8 0.002 2y 0.594 5 0.449 3 0.552 6 0.425 7 0.009 1 0.008 6 0.056 1 0.045 9 0.106 3 0.068 7 0.042 2 0.033 6 0.352 7 0.349 2 0.047 8 0.045 0
2.3.2 谱图处理
对红外光谱数据进行预处理后建立PLS定量模型或可提升模型性能，合适的预处理方法可有效过滤红外光谱中的噪声信息，保留有效信息，从而降低近红外定量模型的复杂度，提高近红外模型的稳健性[22]。因此，对近红外数据进行预处理后，在筛选出的特征波段上建立PLS定量模型，不同预处理方式下的模型R2Val与RMSECV见图2。R2Val与预测准确性呈正相关，而RMSECV则与预测准确性呈负相关。由图2可知，各指标R2Val最高、RMSECV最低的谱图处理方式，正丙醇、乙酸乙酯为“SD”，苯乙醇为“Baseline Offset”，乳酸乙酯、总酸为“Spectroscopic”，乙醛为“Moving Average”，糠醛为“UVN”，乙缩醛为“Deresolve”，乙酸为“Baseline Offset+FD”，丙酸为“Detrend”，异丁醇、异戊醇、辛酸乙酯为不处理（RS）。
图2 酱香型白酒基酒12种关键指标偏最小二乘法模型决定系数R2及均方根误差
Fig.2 Determination coefficient R2 and root mean square error of partial least squares models of 12 key indicators of sauce-flavor Baijiu base liquor
经波段筛选及谱图处理两步优化后，正丙醇、乳酸乙酯、糠醛、乙酸乙酯、总酸、丙酸、乙酸PLS模型R2Cal与R2Val均达到0.90，异戊醇、辛酸乙酯、乙缩醛、苯乙醇、乙醛、异丁醇PLS模型R2Cal均达到0.85，R2Val均达到0.80。关键指标最优定量模型见表3、图3。
表3 酱香型白酒基酒12种关键指标定量模型结果
Table 3 Quantitative models result of 12 key indicators of sauce-flavor Baijiu base liquor
指标 建模波段/cm-1 光谱预处理方式 主成分数校正集R2Cal内部交叉验证R2Val RMSECV正丙醇异丁醇异戊醇苯乙醇乙酸乙酯乳酸乙酯辛酸乙酯乙醛糠醛乙缩醛乙酸丙酸3 024～2 858，1 033～867 3 024～2 858，2 028～867 3 024～2 858，2 028～867 3 024～2 858，2 692～2 360，2 028～867 2 692～2 526，2 028～1 199 3 024～2 858，1 863～1 697，1 531～867 1 531～1 199 1 863～867 1 863～1 199，1 033～867 2 028～867 2 692～2 526，1 863～1 199 3 024～2 526，1 863～1 697，1 531～867 SD RS RS Baseline Offset SD Spectroscopic RS MovingAverage UVN Deresolve Baseline Offset+FD Detrend 4 12 13 14 6 12 6 17 17 18 44 0.998 1 0.874 1 0.902 9 0.875 1 0.963 6 0.974 5 0.880 7 0.865 7 0.970 0 0.894 1 0.941 9 0.949 5 RMSEC 0.533 9 0.026 8 0.059 4 0.002 0 0.382 2 0.361 8 0.008 0 0.039 0 0.048 4 0.025 3 0.317 6 0.040 6 0.998 1 0.813 9 0.892 0 0.862 3 0.961 4 0.972 7 0.876 2 0.843 6 0.965 3 0.874 8 0.939 9 0.947 1 0.540 7 0.032 9 0.062 8 0.002 1 0.394 3 0.375 4 0.008 1 0.042 1 0.052 2 0.027 5 0.323 6 0.041 7
图3 酱香型白酒基酒12种关键指标定量模型
Fig.3 Quantitative models of 12 key indicators of sauce-flavor Baijiu base liquor
Slope为斜率；Offset为偏移；RMSE为均方根误差；R-Square为决定系数；图中蓝色点和线代表校正集样品和回归线，红色点和线代表验证集样品和回归线，黑线代表目标线。下同。
2.4 模型验证
为考察模型预测性能，以优化后的关键指标定量模型预测验证集样本，结果见表4、图4。
表4 酱香型白酒基酒12种关键指标定量模型外部验证结果
Table 4 External validation results of quantitative models of 12 key indicators of sauce-flavor Baijiu base liquor
?
图4 酱香型白酒基酒12种关键指标红外光谱模型预测值与实测值结果
Fig.4 Predicted and measured values results of infrared spectroscopy model of 12 key indicators of sauce-flavor Baijiu base liquor
由表4可知，正丙醇、乳酸乙酯、糠醛、乙酸乙酯、丙酸、乙酸、乙缩醛的预测模型决定系数R2Pre均达到0.90，RMSEP较小，表明所建立的模型具有较强的可靠性和准确性；异戊醇、苯乙醇、乙醛、辛酸乙酯、异丁醇预测模型决定系数R2Pre均达到0.87，RMSEP较小，表明定量模型性能优良，具有一定预测能力。各指标预测均方根误差与校正集均方根误差的比值（RMSEP/RMSEC）均未超过1.2，说明稳健性达标[13]。正丙醇、乙酸乙酯、乳酸乙酯、糠醛、乙酸、丙酸、乙缩醛、异戊醇、苯乙醇的预测结果RPD超过3.0，表示模型预测能力优秀；乙醛、辛酸乙酯、异丁醇预测模型RPD超过2.5，表示模型预测能力良好[23-25]。
3 结论
本文利用衰减全反射傅里叶变换红外光谱技术结合PLS算法对酱香型白酒基酒中12种关键成分建立了同时定量模型。采用iPLS法筛选出各物质的特征波段，在特征波段上建立PLS模型可有效提升模型性能（R2Val提高、RMSECV下降），且大幅减少运算变量，提高了分析速度。以12种单独或组合的方式对光谱进行预处理，在特征波段上建立PLS模型，通过R2Val与RMSECV确定了每种物质的最佳处理方法，有效提升了模型预测准确性及稳健性。
经波段筛选与谱图处理两步优化后，正丙醇、乙酸乙酯、乳酸乙酯、糠醛、乙酸、丙酸PLS模型R2Cal、R2Val、R2Pre均达到0.94，RMSE较小，RPD达到4.5，可作为准确定量方法用于实际生产质控；乙缩醛、异戊醇、苯乙醇PLS模型R2Cal、R2Val、R2Pre均达到0.87，RMSE较小，RPD超过3.0，可相对准确定量；乙醛、辛酸乙酯、异丁醇PLS模型R2Cal、R2Val、R2Pre均达到0.86，RPD均超过2.5，具有一定预测能力，可用于样品快速筛选分析。并且，该方法可在5 min内同时定量12种骨架成分，极大提高了检测效率，节约时间成本与人力资源，有效提质降本增效。
[1]唐平，山其木格，王丽，等.白酒风味化学研究方法及酱香型白酒风味化学研究进展[J].食品科学，2020，41 （17）：315-324.
[2]XU Y Q,ZHAO J R,LIU X,et al.Flavor mystery of Chinese traditional fermented Baijiu:The great contribution of ester compounds[J].Food Chem,2022,369:130920.
[3]NIU J,YANG S Q,SHEN Y,et al.What are the main factors that affect the flavor of sauce-aroma Baijiu[J].Foods,2022,11(21):3534.
[4]赵军.白酒生物化学[M].北京：中国轻工业出版社，2015：2.
[5]马勇.白酒酒体设计全书[M].北京：中国标准出版社，2022：22.
[6]LI S,LI T,HAN Y R,et al.Machine learning discrimination and prediction of different quality grades of sauce-flavor Baijiu based on biomarker and key flavor compounds screening[J].Food Chemistry: X,2024,24:101877.
[7]张晓婕，邱树毅，王晓丹，等.不同质量酱香型白酒的挥发性物质差异分析[J].中国食品学报，2022，22（10）：340-351.
[8]BAI H J,LI H W, LI Y, et al.A fluorescence-enhanced method specific for furfural determination in Chinese Baijiu based on luminescent carbon dots and direct surface reaction[J].Talanta,2024,279:126660.
[9]林先丽，张晓娟，李晨，等.气相色谱-质谱和电子舌对不同质量等级酱香型白酒的判别分析[J].食品科学，2023，44 （24）：329-338.
[10]BACA-BOCANEGRA B, MARTÍNEZ-LAPUENTE L, NOGALESBUENO J,et al.Feasibility study on the use of ATR-FTIR spectroscopy as a tool for the estimation of wine polysaccharides[J].Carbohydr Polym,2022,287:119365.
[11]李伟.基于拉曼光谱的高油和高蛋白大豆品种鉴别机理与方法研究[D].大庆：黑龙江八一农垦大学，2025.
[12]廖丽，张贵宇，邹永芳，等.基于傅里叶变换近红外光谱量质摘酒模型的初步探索及应用研究[J].中国酿造，2025，44（4）：190-196.
[13]褚小立.化学计量学方法与分子光谱分析技术[M].北京：化学工业出版社，2011：209.
[14]汪洋，童晶晶，李相贤，等.基于1D-CNN的生物气溶胶衰减全反射傅里叶变换红外光谱识别[J].光学学报，2024，44（24）：309-315.
[15]WU J H,PENG H B,LI L,et al.FT-IR combined with chemometrics in the quality evaluation of Nongxiangxing Baijiu[J].Spectrochim Acta Part A,2023,284:121790.
[16]周军，杨洋，姚瑶，等.中红外光谱技术在浓香型白酒原酒骨架成分分析中的应用[J].光谱学与光谱分析，2022，42（3）：764-768.
[17]孙宗保，辛新，邹小波，等.傅里叶变换红外光谱结合化学计量学方法对白酒基酒的快速定性和定量分析[J].光谱学与光谱分析，2017，37（9）：2756-2762.
[18]宋艳，杨洋，张学平，等.中红外光谱技术结合竞争性自适应重加权算法快速分析白酒风味组分[J].中国酿造，2022，41（12）：230-234.
[19]翁诗甫，徐怡庄.傅里叶变换红外光谱分析（第三版）[M].北京：化学工业出版社，2016：490-507.
[20]李鸿强，孙红，李民赞.近红外光谱的结球甘蓝可溶性糖含量测定[J].光谱学与光谱分析，2018，38（10）：3058-3063.
[21]柳艳云，胡昌勤.近红外分析中光谱波长选择方法进展与应用[J].药物分析杂志，2010，30（5）：968-975.
[22]褚小立.近红外光谱分析技术实用手册[M].北京：机械工业出版社，2016：115-116.
[23]陈奕云，赵瑞瑛，齐天赐，等.结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究[J].光谱学与光谱分析，2017，37 （7）：2133-2139.
[24]MARIANI N C T, DE ALMEIDA TEIXEIRA G H, DE LIMA D K M G,et al.NIRS and iSPA-PLS for predicting total anthocyanin content in jaboticaba fruit[J].Food Chem,2015,174:643-648.
[25]赵玉霞.基于紫外—近红外光谱结合化学计量学对青稞酒的鉴别研究[D].西宁：青海师范大学，2025.