将机器学习中的特征选择方法和分类算法融入古代玻璃制品成分分析和类别鉴定问题研究, 以准确率和AUC作为分类性能度量指标, 尝试构造古代玻璃制品化学成分选择的集成特征选择模型和鉴定分类的随机森林模型。对不同特征选择方法的结果进行集成, 选择重要的化学成分,对选出的重要特征结合随机森林模型、k近邻学习和Naive Bayes模型等方法进行实验分析。结果表明, 采用集成特征选择分析出氧化铅、氧化钡、氧化钾等成分对玻璃表面风化影响比较显著, 且高钾玻璃中这3种成分两两关联很大, 对选出的重要特征应用基于k折交叉验证的随机森林模型进行分类得到的准确率较高, 模型稳定性强。该方法可以为我国古代玻璃制品的成分分析和类别鉴定提供理论参考, 对其它玻璃的相似研究也有一定程度的借鉴意义。

视觉定位系统中,图像匹配的精度直接影响整个定位系统的精度,针对图像匹配中存在的误匹配率较高等问题,提出了一种基于多层次FAST(MFAST)和优化采样的随机采样一致性(RANSAC)算法的图像匹配算法。首先采用MFAST算法提取角点,运用加速稳健特征算法确定主方向生成特征描述符;然后在基于RANSAC的框架下,利用改进的加权K-最近邻分类方法选取新的样本集合计算出最佳模型参数,从而剔除误匹配点。在真实场景下进行实验,结果表明,与传统算法相比,该算法能高效剔除误匹配点,提高图像的匹配精度,且满足实时性要求。

基于摄像头的多光源多输入多输出(MIMO)通信系统能够提高光源的利用率和传输带宽, 但多光源之间的干扰和环境光的干扰为可见光的颜色判断带来了极大的困难。针对这种情况, 提出了基于自联想神经网络的可见光MIMO颜色检测算法。设计了基于自联想神经网络的主成分提取方法, 在训练速度和模型准确率方面取得平衡; 提出了神经网络学习光源颜色的具体训练方法,基于欧氏距离决定光源的实际颜色符号。在真实的实验数据集的基础上完成了验证实验, 结果显示该算法实现了较好的收敛速度和较高的检测准确率。

与前一代高效视频编码标准相比, 未来视频编码标准增加了新的二叉树加四叉树编码结构。针对该结构虽然显著提升了超高清视频编码效率, 但是大幅增加了编码复杂度的问题, 提出了联合多特征快速编码算法。该算法联合多个编码特征的后验概率信息, 估计当前编码单元的划分方式, 通过提前终止若干编码单元的划分来节省编码时间。此外, 针对单个特征贝叶斯分类不准确的问题, 算法在简化联合概率模型的同时提升了分类算法的准确度。实验结果表明: 在随机访问配置、低延迟P配置和低延迟B配置下, 算法可以平均减少35.7%, 25.6%和26.7%的编码复杂度, 而BDBR只分别增长了4.3%, 3.1%和2.89%。算法在保证视频主观质量的前提下, 节省了编码时间。

基于空间外差光谱特性, 针对传统傅里叶变换算法在光谱复原中的局限性, 引入现代谱估计的多重信号分类MUSIC算法进行空间外差信号光谱复原, 采用自回归传递函数准则(CAT)对影响谱估计效果的信号空间维数值进行估计.测试结果显示CAT准则直接定维值与最佳结果存在偏差, 将CAT准则直接定维值减数值3作为改进后的新准则重新应用于实测数据光谱复原.改进的CAT准则与MUSIC算法配合能够很好地适用于空间外差干涉数据, 光谱复原效果优于直接傅里叶变换结果.以光谱角度匹配和均方误差作为改进CAT准则的MUSIC算法谱估计效果评价指标, 与理想光谱相比, MUSIC算法对钾盐双谱峰信号处理后复原光谱相似度达到0.764, 均方误差为0.040, 对氖灯多谱峰信号和处理结果分别为0.806和0.046.复色光结果分别为0.988和0.089.采用改进的CAT准则进行自适应定维的MUSIC算法对空间外差光谱复原具有一定优势, 提高了功率谱复原效果.

介绍一种基于光谱检测和数据驱动模型的非接触式血液物种识别技术。 选取了4个物种（猴144， 大鼠203， 狗133， 人169）共计649个血样作为原始样本。 超连续谱激光光源的波长范围是450～2 400 nm。 分别采集抗凝管盛装血液样本的后向散射可见光谱（294～1 160 nm）和十个不同空间位点的前向散射近红外光谱（1 021～1 757 nm）， 将十一条光谱数据顺序连接为一维数据作为每个样本的原始数据。 利用主成分分析法对数据集进行特征信息提取， 保留原始差异信息量的99.99%， 同时将数据量压缩为原始数据量的1.5%， 提高分类识别的运算效率。 对不同数量的训练集和验证集进行训练预测实验表明， 十折交叉验证的识别误差率随着样本数量的增加而降低， 样本库规模的增大可以提高识别的精确度。 由于数据驱动模型是基于机器学习算法的数据流处理模型， 因而可以采用多种不同的分类算法实现。 通过比较人工神经网络、 支持向量机、 偏最小二乘回归、 多元线性回归、 随机森林和朴素贝叶斯的识别效果可以发现， 不同算法的识别效果具有类别差异性， 即各个算法的正确识别率排序在不同的物种中是有差异的。 因而实际应用中， 在选择数据驱动模型时， 除了需要考虑算法的整体识别率之外， 当对部分类别的识别效果有额外要求时， 还应该考虑算法本身的类别差异性。

针对柱面共形阵列的波达方向(DOA)估计问题, 从信号子空间的角度分析了在阵元遮挡下应用多重信号分类(MUSIC)算法的性能缺陷。在此基础上提出通过偏置常数的方法克服经典 MUSIC算法的阵元遮挡问题。进一步提出一种基于数据自适应子阵分割的快速 DOA估计算法, 该方法先利用稀疏采样的偏置 MUSIC算法进行 DOA预估, 依此确定所需要的子阵及二维搜索区域, 确定 MUSIC算法的搜索范围, 进而得到高精确度的 DOA估计。利用子阵分割的方法进行 DOA估计, 避免了经典MUSIC算法因阵元遮挡导致运算量大、精确度低等问题。仿真结果表明, 该方法能大幅度降低运算复杂度, 同时提高 DOA估计精确度。

阐述了核极限学习机原理。在此基础上提出了一种多尺度小波核极限学习机, 将多尺度小波核作为极限学习机的核函数, 测试表明是其一种可实现的极限学习机核。同时在无训练数据分布的空间也具备分类能力, 同等条件下高斯核极限学习机却不具备分类能力。在图像检索中应用多尺度小波核极限学习机, 实验表明, 相比支持向量机学习机分类算法, 该分类算法可提高检索精度以及速度, 具有优良的性能和一定的应用价值。

为了克服传统光谱复原算法理论上的缺点, 引入了现代谱估计技术的概念和基本算法.利用两类现代谱估计方法(自回归模型和多重信号分类算法)进行干涉光谱复原, 比较了复原光谱与传统光谱复原算法的效果, 并对文中所用几种方法的局限性加以验证和说明.研究结果证明了现代谱估计方法应用于光谱复原中完全可行且性能优异, 在传感器获取的数据长度有限时可以获得更高的光谱分辨率.