不同品种茶叶因其所含的有机化学成分不同, 其效果也会有差别。 所以, 寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。 近红外光谱(NIR)分析是一种无损检测技术, 能很好的鉴别茶叶品种。 使用NIR光谱仪采集茶叶的NIR数据。 为了对包含噪声信号的茶叶近红外光谱进行准确鉴别, 提出了一种模糊线性判别QR分析的新方法, 可以对茶叶近红外光谱进行准确分类。 通过使用模糊线性判别分析（FLDA）将由主成分分析（PCA）压缩的茶叶近红外光谱数据进行降维, 由模糊线性判别分析得出的特征向量构建鉴别向量矩阵, 对鉴别向量矩阵进行矩阵的QR分解, 得到新的鉴别向量矩阵。 经过模糊线性判别QR分析后使用K近邻算法进行分类, 具有准确率高等优点。 以岳西翠兰、 六安瓜片、 施集毛峰和黄山毛峰四种茶叶为研究样本, 每类65个, 茶叶样本总数为260个。 采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理, 采用多元散射校正, 由于采集到的茶叶光谱数据存在散射干扰。 以此得到的近红外光谱数据的维数为1557维, 通过主成分分析压缩数据集的维数, 使得光谱数据集的维数达到7维。 经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取, 使得光谱数据的维数降低到3维。 利用K近邻算法对茶叶样本进行分类, 实现对茶叶品种的准确分类。 最后进行三种算法分析结果的比较, 分别是主成分分析结合K近邻算法、 主成分分析和线性判别分析结合K近邻算法、 主成分分析和模糊线性判别QR分析结合K近邻算法。 在权重指数m=2, K=1条件下, 最后的分类准确率分别为83.89%, 87.78%和98.33%。 实验结果显示: 模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析, 其展现出来的效果比主成分分析和线性判别分析表现的效果更好。

三七是一种传统的中药材, 具有较高的药用价值。 目前市场上中药售假的现象屡见不鲜, 许多不法商贩将三七支根或剪口粉末假冒主根粉末销售, 严重损害了消费者的利益。 利用高光谱技术结合多元分析方法实现三七不同部位粉末的快速无损鉴别。 通过高光谱成像系统分别采集了三七剪口、 须根和主根粉末在400~1 000 nm范围内的高光谱图像, 共300个样本。 采用Savitzky-Golay（SG）平滑结合标准变量变换（SNV）的方法对高光谱数据进行去噪和消除因散射引起的光谱差异。 为了移除光谱变量中的重迭和冗余信息, 利用竞争自适应重加权采样（CARS）算法和本文提出的一种考虑了变量间交互作用的二进制竞争自适应重加权采样（BCARS）算法进行特征波长选择。 最后分别建立了基于全光谱、 CARS和BCARS特征波长的支持向量机（SVM）和极端梯度提升（XGBoost）分类模型。 结果表明, BCARS-XGBoost模型的分类效果最优, 训练集和测试集的分类准确率分别为100%和99.33%。 与CARS相比, BCARS所选择的特征波长数量较少, 有助于多光谱系统和便携式仪器的开发。 利用高光谱技术结合BCARS-XGBoost模型鉴别三七不同部位粉末是可行的。

超材料吸波体的性能受电磁波入射角度的影响，具有宽角度稳定性的吸波体一直是吸波体设计的难点之一。传统设计方式依赖于人工设计和优化，存在设计困难且周期长的缺陷。针对设计目标的特点，基于改进粒子群优化算法设计了宽角度高吸收率超材料吸波体。通过添加动态权值和高斯误差解决二进制粒子群优化算法后期局部搜索能力弱的问题，用改进的二进制粒子群优化算法优化吸波体表层0、1编码的离散金属块结构实现高吸收率和宽入射角吸收特性。仿真结果表明，设计的超材料吸波体在9.4~13.3 GHz频段的吸收率大于90%，在11.6~12.6 GHz频段内可实现完美吸收（吸收率大于99%），横电、横磁极化波60°斜入射情况下超材料吸波体在带宽内的吸收率大于80%。该设计方法有效弥补了传统设计方法的缺陷，展现出按需设计和设计过程无需人为干预的独特优势，在相关领域具有广泛的应用前景。

针对飞秒激光合成波长法高精度绝对距离测量中光功率-相位转换效应引起的误差,提出一种基于多项式拟合的误差修正方法,以提高飞秒激光测量系统的测距精度。搭建类迈克耳孙干涉测量系统,经过光电探测后得到飞秒激光模间拍频信号,利用快速傅里叶变换解算拍频信号的相位差,并研究相位差随光功率的变化。结合相位测距技术,将测距结果与长度基准作参考,采用基于最小二乘法的最优多项式拟合形成不同光功率下的测距校正表。实验中以四次谐波进行测量,结果表明:当光功率在1~3mW变化时,测距误差变化率约为2.7mm/mW,通过校正技术,在110mm范围内测距残余误差从±0.25mm下降到±0.08mm。该研究可将飞秒激光高精度测距技术应用到室外环境、复杂的工业环境甚至非合作目标等光功率变化较大的测量场合,显著地拓展飞秒激光精密测量的应用范围。

雷达在目标检测和跟踪时常面临地杂波、海杂波、气象杂波等复杂强杂波的干扰, 而雷达回波信号经过传统的动目标显示( MTI)和恒虚警( CFAR)检测处理后的剩余杂波, 在距离-时间(脉冲)上的二维分布与目标非常相似, 无法区分。对此, 提出一种基于杂波综合特征评估的雷达目标点迹过滤方法, 综合考虑目标与杂波在幅度起伏、距离/俯仰/方位相关性、相位变化等多维特征的不同, 利用综合特征因子评估区分目标和杂波。最后, 利用雷达实测数据对所提方法进行验证。结果表明, 杂波有效抑制率较传统方法有显著提升。

茶作为世界最受欢迎的三大饮料之一, 不仅能够提神醒脑, 而且还有帮助消化和降低血压等作用。 随着人们对茶叶品质要求的日益提高, 需要对不同品种的茶叶实现准确的鉴别分析以防止茶叶市场里茶叶品牌名不副实和以次充好等现象的发生。 为实现对茶叶快速精准的鉴别分析, 设计了一种综合采用傅里叶近红外光谱和新的模糊极大熵聚类(FEC)分析算法的茶叶品种鉴别系统。 传统模糊极大熵聚类分析在聚类含噪声数据时, 聚类结果往往容易出现错误, 即FEC对噪声数据敏感。 为解决这个问题, 在FEC分析算法的基础上引入可能C均值聚类分析(PCM), 提出了一种混合模糊极大熵聚类(MFEC)分析算法。 MFEC可通过迭代计算得到模糊隶属度值, 能实现对含噪声的茶叶傅里叶近红外光谱数据的准确聚类分析。 首先, 使用傅里叶近红外光谱仪(Antaris Ⅱ型)采集岳西翠兰、 六安瓜片、 施集毛峰三种安徽茶叶的傅里叶近红外光谱数据, 光谱波数范围为10 000~4 000 cm-1。 其次, 对采集到的光谱数据使用多元散射校正(MSC)进行预处理, 预处理后先用主成分分析(PCA)将光谱数据维数降至10维, 然后再用线性判别分析(LDA)对降维后的近红外光谱数据进行特征提取。 最后, 通过混合模糊极大熵聚类分析和传统的模糊极大熵聚类分析对三种茶叶的光谱数据进行聚类分析, 并对两种聚类分析算法得到的聚类准确率、 收敛速度等进行对比分析。 实验结果表明: 混合模糊极大熵聚类(MFEC)分析算法与传统的模糊极大熵聚类(FEC)分析算法相比较, 在相同的权重指数m下MFEC具有更高的聚类准确率。 在m=2条件下, MFEC的聚类准确率达到了100%, 而传统的模糊极大熵聚类在相同条件下聚类准确率仅为37.98%。 MFEC收敛过程中仅需迭代10次即可达到收敛, 而FEC需要迭代100次, 因此MFEC可以更高效的进行模糊聚类分析, MFEC相比于FEC聚类性能具有明显的优越性。 通过傅里叶近红外光谱技术, 混合模糊极大熵聚类分析结合PCA与LDA算法构建的茶叶品种鉴别系统能够高效快速的完成对岳西翠兰、 六安瓜片、 施集毛峰三种茶叶的准确分类, 为茶叶检测领域提供了一种创新的方法与设计思路, 具有一定的理论价值和良好的市场应用前景。

为了实现对茶叶病害的准确预测, 避免病害特征提取过程中对茶叶的二次破坏, 利用荧光透射技术对茶叶赤叶病叶片的荧光透射光谱特性展开研究。 实验采集了健康茶叶叶片样本45个、 赤叶病初期叶片样本60个及赤叶病中期叶片样本60个, 并按照2∶1的比例划分成训练集和预测集样本数, 通过荧光透射手段利用高光谱仪器采集这些叶片的原始荧光透射光谱。 通过对这3组叶片样本平均光谱强度曲线的分析, 证实了利用荧光透射光谱信息对这3种病害类型叶片进行分类的可行性。 然后使用多项式平滑(savitzky-golay, S-G)方法对原始光谱进行平滑和降噪处理。 最后采用竞争性自适应重加权抽样法(competitive adaptive reweighted sampling, CARS)对预处理后的光谱数据进行特征波长的选取。 经过50次加权采样后, 最终选取出4个特征波长, 分别为: 463, 512, 586和613 nm。 为了最大化提取样本的病害特征信息, 强化分类器输入病害特征值的典型性, 使用高光谱反射技术, 采集4个特征波长下的高光谱图像, 分别使用2种不同的纹理提取算法提取病害叶片图像的纹理信息进行对比分析。 首先利用灰度共生矩阵(GLCM)提取4幅图像的纹理信息, 分别计算4个方向的灰度共生矩阵(0°, 45°, 90°及135°), 然后计算5个共生矩阵的均值和方差。 为了提高鲁棒性, 取4幅图像纹理信息的平均值作为该叶片的纹理特征值, 最终得到10个特征值。 利用LBP(local binary patterns)算法获取特征波长下高光谱图像的纹理信息, 并使用Uniform模式对LBP模型进行降维, 最终每幅图像得到944个维度的LBP特征值, 同样取4幅图像的平均值作为该叶片的LBP纹理特征值。 最后通过极限学习机(ELM)分别建立特征光谱联合灰度共生矩阵纹理信息及LBP算子纹理信息的预测模型, 由于模型的输入特征值不在一个量纲, 首先对输入特征值进行归一化处理, 然后再定义模型的输出标签, 即健康叶片的预测模型输出为1, 赤叶病早期为2, 中期为3。 实验测得基于CARS-GLCM-ELM模型的预测准确率为81.82%, 基于CARS-LBP-ELM模型的预测准确率为85.45%, 说明利用荧光透射光谱联合LBP算子纹理信息预测效果更好。 由于没有达到预期效果, 利用Softplus函数对ELM的隐含层激活函数进行了优化, 替换掉原来的Sigmod函数, 优化后的模型预测分类正确率达到92.73%, 基本达到了预期效果。 该研究将病害叶片的荧光光谱信息和对应特征波长下高光谱图像的纹理信息进行了融合, 研究结果可为茶叶病害的快速、 准确预测提供一定的参考价值。

为了解决图像处理领域缺少一个描述目标信号显著程度的物理量的问题, 引用了光谱学中信背比的概念, 类比于信噪比的计算方法, 求出目标信号平均灰度值与背景平均灰度值之比, 直观地表示出目标信号与背景的对比度。同时, 为了解决视频中低速暗弱目标难以分辨与检测的问题, 提出了一种视频低速暗弱目标增强方法, 首先对视频首尾的连续多帧图像进行叠加差分运算, 得到平滑的差分图像, 然后进行灰度变换迭代, 获得高信背比的图像。实验结果表明, 信背比可以有效地描述了目标信号的显著程度, 采用提出的视频低速暗弱目标增强方法后, 目标信号的信噪比由1.84增加至9.18, 信背比由0.33增加至19.44, 提高了接近60倍, 暗弱目标的显著程度大幅度提高, 达到了视频低速暗弱目标增强的要求。

针对现有文献中未出现关于 RELAX算法超分辨性能的定量讨论或关于 RELAX应用的边界条件分析，导致 RELAX算法的实际应用十分困难这一问题，在详细分析 RELAX算法的超分辨原理的基础上，通过仿真给出了一些关于 RELAX实际应用的边界条件及结论，可用于指导 RELAX算法在实际散射中心估计中的应用： RELAX超分辨处理对估计散射点个数不敏感；当 FFT点数约为要达到真实分辨力所需 FFT点数的 2倍时， RELAX超分辨处理的重构精确度可满足要求；在保证一定的重构精确度的前提下， RELAX超分辨处理的分辨力最高可以达到实际分辨力的 2倍。本文仿真条件下，当 RSN=10 dB时，RELAX超分辨处理在一定误差容忍范围内基本可用。

茶是一种让人喜爱的健康饮品, 不同品种的茶叶其功效和作用是不相同的。 研究出一种可靠、 简单易行、 分类速度快的茶叶品种鉴别方法具有重要的意义。 在模糊非相关判别转换(FUDT)算法和模糊C均值聚类(FCM)算法的基础上提出了一种模糊非相关鉴别C均值聚类(FUDCM)算法。 FUDCM可以在聚类过程中动态提取光谱数据的模糊非相关鉴别信息。 用FTIR-7600型傅里叶红外光谱分析仪分别采集优质乐山竹叶青、 劣质乐山竹叶青和峨眉山毛峰三种茶叶的傅里叶中红外光谱, 波数范围为4 001.569～401.121 1 cm-1。 先用多元散射校正(MSC)进行光谱预处理, 然后用主成分分析法(PCA)将光谱数据降维到20维, 再利用线性判别分析(LDA)提取光谱数据中的鉴别信息。 最后分别运行FCM和FUDCM进行茶叶品种鉴别。 实验结果表明: 当权重指数m=2时, FCM的聚类准确率为63.64%, FUDCM的聚类准确率为83.33%； FCM经过67次迭代计算实现了收敛, 而FUDCM仅需17次迭代计算就可以实现收敛。 用傅里叶红外光谱技术结合主成分分析、 线性判别分析和FUDCM的方法能快速、 有效地实现茶叶品种的鉴别分析, 且鉴别准确率比FCM更高。