应用组合模拟波段建立的线性和非线性判别模型实现了油菜菌核病的早期诊断。 采集油菜健康叶片80个, 菌核病染病叶片100个, 采用预处理算法与连续投影算法(SPA)相结合提取组合模拟波段, 分别建立偏最小二乘法(PLS)、 多元线性回归(MLR)和最小二乘-支持向量机(LS-SVM)模型。 通过比较, 最优PLS判别的预处理分别为直接正交信号校正(DOSC)、 De-trending和原始反射光谱(Raw), 准确率分别为100%, 95.7%和95.7%。 应用组合模拟波段的最优线性模型为SPA-MLR(DOSC)和SPA-PLS(DOSC)模型, 准确率均为100%, 基于DOSC、 De-trending和Raw组合模拟波段的SPA-LS-SVM模型的判别准确率均为100%。 结果表明, 基于组合模拟波段进行油菜菌核病早期诊断是可行的, 为油菜菌核病的早期诊断及病害监测仪器的开发提供了方法和依据。

应用近红外光谱技术结合波长选择方法(modeling power,MP)实现了黑木耳产地的快速准确判别。 共收集4个产地240个黑木耳样本,通过光谱扫描,建立了最优的偏最小二乘(PLS)判别模型。 同时应用MP选择对黑木耳产地判别的有效波长,作为输入变量,建立最小二乘-支持向量机(MP-LS-SVM)模型。 比较了3种MP选择波长的阈值方法,分别为MP值大于0.95,0.90和(0.90+Peak),并建立了相应的MP-LS-SVM模型。 以预测集样本的准确判别率作为模型评价标准,分别设定预测的残差绝对值标准0.1,0.2和0.5。 预测结果表明,MP-LS-SVM(0.90+Peak)模型在残差标准为0.1,0.2和0.5时的判别效果均为最优,正确判别率分别为98.3％,100％和100％。 说明Modeling Power是一种非常有效的波长选择方法,应用近红外光谱技术结合MP-LS-SVM进行黑木耳产地判别是可行的,并获得了满意的判别精度。

应用近红外光谱技术实现除草剂胁迫下油菜叶片中脯氨酸含量的检测。对248个经过除草剂丙酯草醚处理后的油菜叶片,经过烘干、磨碎后进行光谱扫描。经过Savitzky-Golay平滑、变量标准化(SNV)、二阶求导预处理后,应用偏最小二乘法(PLS)建立脯氨酸含量的预测模型,同时提取有效特征变量作为神经网络(BPNN)和最小二乘支持向量机(LS-SVM)的输入值,并建立相应的模型。用186个样本建模,62个样本预测。结果表明,最小二乘支持向量机能够获得最优的预测效果,预测的相关系数(r)、预测标准差(RMSEP)和偏差分别为0.995,0.041和0.000。说明应用近红外光谱技术结合最小二乘支持向量机能够定量获得油菜叶片中脯氨酸的含量。

采用直接正交信号校正连续投影算法(DOSC-SPA)联用的组合处理方法,实现了应用可见/近红外光谱技术对水稻冠层叶瘟病的快速准确诊断。采集水稻冠层样本共120个,其中健康和染病样本各60个。用DOSC-SPA方法,对水稻冠层光谱数据进行直接正交化处理,然后通过连续投影算法提取有效波长(EW),建立了有效波长(775 nm)与叶瘟诊断判别的直接线性方程:Y=5.283X。应用该方程对预测集样本进行诊断判别,其判别准确率为95.0％,获得了满意的判别精度。结果表明,DOSC-SPA组合处理方法提取水稻冠层叶瘟诊断的特征波长是非常有效的,并且通过直接线性方程能获得满意的判别精度,为后续水稻大田叶瘟病情监测、喷药处理及相应病情监测仪器的开发提供了方法和依据。

实时、可靠的植物病害检测是进行科学的植物喷药作业的基础，也是精确农作的关键技术之一。目前水稻稻瘟病害检测鉴定方法存在着专业知识要求高、花费大、效率低等缺点。文章提出了利用包含绿、红、近红外三波段通道的多光谱成像技术对水稻叶瘟病进行检测。研究目的是建立能够快速、准确分析稻叶瘟病情的检测模型，实时过滤掉背景噪声、自然枯叶等干扰因素，实现对水稻生长状况进行及时、有效、非破坏性检测。研究表明，利用多光谱成像技术提取水稻叶面及冠层图像信息，可以快速有效地检测稻叶瘟病情。通过实验建立的稻叶瘟病情检测分级模型，对于营养生长期的水稻苗瘟的识别准确率为98％，叶瘟的识别准确率为90％，为实施科学的稻叶瘟防治提供了决策支持。

对混沌同步方法进行了研究,利用参量驱动法实现了两个混沌系统的同步.以Bragg声光双稳系统为例进行仿真模拟,验证了这种方法的有效性.仿真模拟结果表明：当外加驱动信号作用于两系统的某个被驱动参量,两个初始条件不同的Bragg声光双稳系统误差变量很快平稳地趋于零,说明该同步方法是快速有效的.

采用Vis-NIR技术对水稻穗颈瘟染病程度分级方法进行了研究。分别基于原始光谱,变量标准化(SNV)预处理后和多元散射校正(MSC)预处理后的光谱,应用无信息变量消除法(UVE)结合连续投影算法(SPA)对Vis-NIR光谱区进行有效波长的选择。选择后的波长作为输入变量建立最小二乘-支持向量机(LS-SVM)模型。结果表明SNV-UVE-SPA建立的LS-SVM模型预测效果最好。通过SNV-UVE-SPA从全波段600个波长中选择了6个最能够反应光谱信息的波长(459,546,569,590,775和981nm)。SNV-UVE-SPA-LS-SVM 组合模型对预测集样本预测得到的确定系数(R),预测集的预测标准差(RMSEP)和剩余预测偏差(RPD)分别达到了0.979,0.507和6.580。结果表明,采用Vis-NIR光谱技术对水稻穗颈瘟染病程度进行分级是可行的。通过UVE-SPA得到的有效波长能够很好地代替全波长。