高光谱检测是物质定性识别的重要手段, 光谱解混是高光谱分析识别的关键。 针对化合物或矿物混合光谱分析不准确的问题, 采用非负矩阵分解（NMF）盲源解混方法, 建立了一种基于加权NMF高光谱反射曲线的盲源解混分离方法, 用于矿物混合后高光谱的分解与识别。 假设混合光谱模型是多种组分光谱按比例组合的线性方程, 该算法以混合光谱与组分光谱基向量光谱角余弦值为初始权, 采用最小欧氏距离和重加权稀疏约束来建立组合条件从而促进解混矩阵的稀疏性, 开展方程的NMF约束迭代计算, 最终分解出矿物混合光谱的源光谱基向量和丰度矩阵。 选取化学纯的氧化铜和氧化亚铜、 碱式碳酸铜和氢氧化铜、 孔雀石和蓝铜矿三类混合物的高光谱曲线为试验对象, 经过均值化和白化等数据预处理后, 进行基于加权NMF高光谱反射曲线的盲源解混试验, 并以解混性能指数、 光谱均方根误差和光谱角距离为评价指标分析算法的解混效果。 结果表明, NMF解混方法的盲源解混效果十分明显, 在未知混合光谱先验条件基础上, 可以准确分离出源光谱特征, 样本分离精度均小于0.15。 解混后光谱与源光谱的曲线整体变化趋势相同, 保持了源光谱相似的吸收位置和吸收峰, 但是对应吸收位置存在微小偏移, 解混后光谱与源光谱在反射率数值上存在明显的差异。 对混合光谱数据加入5%～15%的高斯噪声后, 再进行基于加权NMF解混处理。 发现混合光谱解混分离的精度随着噪声增大只有微小减小, 解混后光谱角距离以及均方根误差并未发生明显的变化, 说明NMF解混算法具有较好抗噪性能, 对实测非纯物质光谱解混具有一定适用性, 可以作为矿物混合后组分识别与分离鉴定的基础方法。

针对压电叠堆作动器的率相关迟滞非线性特性, 该文提出了一种基于asymmetric unilateral backlash(aubacklash）算子的BP神经网络率相关迟滞建模方法。首先提出了改进的aubacklash算子, 改善了Prandtl-Ishlinskii(PI）模型backlash算子在原点处残余位移及严格中心对称的问题; 其次分析了压电叠堆作动器迟滞的率相关记忆特性, 提出了率相关BP神经网络迟滞模型; 最后搭建了迟滞建模精度评估系统, 采用Levenberg-Marquardt(L-M）算法辨识aubacklash算子模型参数, 确定了BP神经网络模型最优结构参数。实验结果表明, 在高、低单一频率及混合频率下, BP神经网络模型较PI模型均方误差降低了70.90%~89.98%, 相对误差降低了70.69%~89.84%, 验证了该模型的精度与频率适应性。

未来战争形态必将是多军种联合作战背景下高效、协同、信息贯穿末端的高技术局部战争，态势感知、筹划决策、指挥控制等能力不再局限于指挥所内部，而是不断向战术前沿环境延伸。首先给出了机动边缘的内涵和特点，之后综述了美军机动边缘信息服务的发展现状，归纳总结了美军机动边缘信息服务能力，最后从深入研究边缘信息服务**应用需求和典型应用场景、加强边缘信息服务能力总体规划等方面给出了我军边缘信息服务建设的发展建议。

为达到在脉动气流激励下抑制风洞模型振动的目的, 该文提出了基于压电陶瓷作动器神经网络模型的风洞模型主动振动控制方法, 并进行了实验研究。首先, 分析了风洞模型系统振动特性, 建立了内嵌式压电陶瓷作动器的主动振动控制系统, 通过模型质心加速度推算出压电陶瓷作动器期望输出抑振力。然后, 建立了压电陶瓷作动器期望输出抑振力-激励电压的神经网络模型, 并根据该模型设计了一种实时解算加速度为激励电压的控制方法。最后, 通过地面试验对控制方法的有效性进行验证。实验结果表明, 该控制方法具有良好的实时性和鲁棒性, 在锤击试验中, 振动加速度衰减时间相比于压电方程线性控制时减小了54.46%, 系统阻尼比增大了1.58倍, 取得了良好的控制效果。

复杂样品光谱信号往往会受到杂散光、 噪声、 基线漂移等因素的干扰, 从而影响最终的定性定量分析结果, 因此通常需要在建模前对原始光谱进行预处理。 目前已有的光谱预处理方法包括很多种, 如何寻找合适的预处理方法是很棘手的问题。 一种途径是观察光谱信号特点选择预处理方法（visual inspection）, 另一种途径是根据建模性能的优劣反过来选择预处理方法（trial-and-error strategy）。 前者无需建模, 更具有解释性, 但是有时会由于选择者主观的因素导致错误的结果; 后者无需观察光谱特点, 但需要考察大量的预处理方法, 对大数据集比较费时。 因此需要探讨哪种选择方式更科学与合理。 本研究采用9组数据, 通过对10种预处理方法的120种排列组合来探讨预处理的必要性及预处理方法的选择。 首先, 优化偏最小二乘（PLS）的因子数及一阶导数、 二阶导数、 SG平滑的窗口参数, 连续小波变换（CWT）的小波函数和分解尺度。 然后把无预处理及一阶导数、 二阶导数、 CWT、 多元散射校正（MSC）、 标准正态变量（SNV）、 SG平滑、 中心化、 Pareto尺度化、 最大最小归一化、 标准化10种预处理方法按照背景校正、 散射校正、 平滑和尺度化的顺序进行排列组合, 得到120种预处理及其组合方法。 最后对不同数据及相同数据的不同组分分别进行120种预处理, 分析光谱信号特点及预处理后PLS建模的预测均方根误差值（RMSEP）。 结果表明, 相比观察光谱信号特点, 根据光谱与预测组分的建模效果可以更为准确地选择最佳预处理方法。 对于多数数据, 采用合适的预处理方法可以提高建模效果; 对于不同的数据集, 因为其数据集信息和复杂性不同, 所以其最佳预处理方法也不同; 对于相同数据集, 即使光谱相同, 但不同组分的预处理方法也不相同。 因此, 不存在普适性的最佳预处理方法, 最佳预处理方法除了与光谱有关, 还与预测组分有关。 通过对已有预处理方法按照预处理目的进行分类再排列组合是选择最佳预处理方法的一种有效途径。

为实现大空间域激光跟踪仪的高精度测量, 本文针对由转站误差导致的激光跟踪仪分时多基站测量精度难保证的问题, 提出了基于多站位下单台激光跟踪仪测量误差的转站误差模型与转站参数修正的补偿方法。首先分析了激光跟踪仪测量误差的来源以及具体形式, 阐述了激光跟踪仪测量误差影响空间任意点测量精度的具体形式; 其次分析了激光跟踪仪的随机测量误差和系统测量误差对多基站转站参数求解精度的影响。在此基础上, 建立了考虑随机、系统测量误差的激光跟踪仪多基站转站误差模型和转站参数误差补偿模型。蒙特卡洛仿真结果表明: 当激光跟踪仪的长度测量误差为05 μm/m, 角度测量误差为5 μm+6 μm/m时, 最大转站误差为0.174 7 mm, 补偿后最大转站误差为0.04 mm, 转站精度提高了77%。分时多基站转站测量实验结果表明: 直接转站测量时最大转站误差为0.054 2 mm, 补偿后转站误差为0.033 1 mm, 转站精度提升了38.9%。激光跟踪转站补偿后测量精度有明显的提高。

针对工业环境下拍摄的大视场图像受噪声与畸变影响较大,使用传统匹配参数计算方法的精度无法满足现场测量需求的问题,提出一种基于非度量校正的大视场图像匹配参数标定算法。设计了一种共线特征点布置方案,基于非度量校正完成了特征点坐标的畸变校正,并提出基于该布置方案的特征点识别匹配算法,通过分区域抽样一致性法实现匹配参数的高精度标定。实验结果表明,该算法匹配精度相较于传统方法提高了51%以上,能够满足工业环境下大视场图像匹配参数所需的精度要求。