针对市场上销售的蔬菜存在的农药残留问题，提出了一种高效无损的小白菜农药残留定性分类鉴别方法。将3组小白菜叶片和氯氟氰菊酯农药作为研究对象，并分别对其中的2组小白菜喷洒2种不同浓度 （农药与水的配比分别为1∶500和1∶20）的农药，从而形成不含农药、含轻度农残和含重度农残的三类样本。然后分别采集三类样本的近红外光谱数据，并对其进行小波软阈值预处理，再利用主成分分析 （Principal Component Analysis，PCA）对数据进行降维，最后采用Fisher判决和K近邻 (K-Nearest Neighbor, KNN)分类方法进行鉴别。实验结果表明，此方法对无农药残留与含轻度农药残留两类样本的正确鉴别率为95%，且对含轻度农残与含重度农残两类样本的正确鉴别率为90%。因此，本文方法可用于对小白菜农残进行有效的定性分类鉴别，为蔬菜农残定性分类鉴别提供了一种新思路。

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。

为提高航天软件测试的效率和质量, 针对同公司航天软件数量少、研制周期长的特点, 提出了一种跨公司航天软件缺陷预测方法。从航天软件背景信息复杂、规模大、功能独立等特征出发, 提出基于静态分类缺陷预测的模型构建思想。引入迁移学习方法, 利用最近邻分类器和数据引力模型, 对训练数据的分布特征进行修正, 提高训练数据与目标数据的相似性; 为提高模型的泛化能力以适应目标数据的多样性, 提出在训练数据中加入少量目标数据用于模型训练。将该方法在实际工程中进行应用, 实验结果表明, 与已有软件缺陷预测方法相比, 该方法在保持较低误报率(不高于0.3)的情况下可有效提高召回率(接近0.6), 整体可信度得到有效增强(G-measure超过0.6), 方法稳定度高, 泛化能力较强; 本方法在实际工程中对测试规模影响可控, 测试效率得到提高。

针对单样本环境下传统人脸识别算法识别效果不佳的问题，提出一种结合改进中心对称局部二值模式和位平面分解的单样本人脸识别算法(ICSDBP)。采用改进中心对称局部二值模式算子提取人脸的特征信息得到两幅不同半径的纹理特征图像，将每幅纹理特征图像分解为4幅位平面图像，最后将8幅特征图像串联融合，使用最近邻分类器进行分类识别。在AR、CAS-PEAL和Extend Yale B人脸数据库上的仿真结果表明，该算法具有较高的识别率和较快的识别速度，对光照和表情等变化具有较好的稳健性。

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法, 并将其应用到最近邻分类器(KNN)中, 导出了一种新的高光谱图像分类算法。 该算法利用高光谱图像的物理特性, 通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息, 利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上, 增大了同类像元间的相似性以及异类像元间的差异性, 获得了更为有效的鉴别特征, 从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验, 结果表明: 将提出的WSSD-KNN算法应用于高光谱图像分类时, 其分类精度高于其他算法, 总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息, 提取出了更为有效的鉴别特征, 故不仅有效地改善了高光谱数据的地物分类精度, 而且可在训练样本较少时, 保持较高的识别率。

以乐山产正品竹叶青、劣质竹叶青和峨眉山毛峰为研究对象, 提出了一种基于近红外光谱的不同茶叶品种分类识别算法。该算法采用多元散射校正(Multiplicative Scatter Correction, MSC)对3种茶叶的近红外光谱数据进行预处理, 最大限度地扣除光谱数据中的随机变异; 再采用主成分分析算法(Principal Component Analysis, PCA)对预处理后的光谱数据进行降维, 去除冗余; 接下来进行线性判别分析(Linear Discriminant Analysis, LDA), 进一步提取特征; 最后采用K_近邻算法(K_Nearest Neighbor, KNN)对LDA结果的前两个特征进行分类, 从而达到对茶叶进行定性分类的目的。实验结果表明, 该算法能有效地对3种茶叶进行分类, 正确识别率达到100%。本研究为不同品种茶叶的分类识别提供了一种新思路。

以山东和陕西两地产的红富士苹果作为实验对象，提出了一种不同产地苹果的分类识别法。首先对苹果的近红外光谱数据进行小波软阈值预处理，去除噪声和冗余；再采用主成分分析法(Principle Component Analysis, PCA )进行降维；然后应用Fisher判决(Fisher Discriminant Analysis, FDA)进一步提取特征；最后使用K_近邻法进行分类识别(K_near neighbor classification, KNN)。通过实验比较，本文提出的方法能很好地实现不同产地苹果无损、快速和准确分类识别，识别正确率达到97.5%。

针对局部线性嵌入(LLE)算法易受偏转角度和近邻选取的影响，提出了一种双层LLE(DLLE)的人耳图像识别方法，并结合Gabor小波和DLLE提出了GDLLE。DLLE首先计算各样本与每类样本中心的欧氏距离，再把欧氏距离最小的K类所有样本作为LLE的近邻，提取出鉴别特征，最后由最近近邻分类器对鉴别特征进行分类。在USTB3人耳图像库上的实验结果表明，本文提出DLLE能够减小偏转角度和近邻对LLE算法的影响，结合Gabor小波后进一步改善了算法的识别率。

传统的局部线性嵌入(LLE)算法需用欧氏距离度量近邻, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能反映数据间的真实空间分布, 导致近邻选取不稳定。针对此问题, 本文提出了相关近邻(CN)LLE(CN-LLE)和相关最近邻分类(CNN)算法。提出的算法首先利用相关系数度量数据间的近邻, 实现更准确的局部重构, 提取鉴别特征; 然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明: 本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%, Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率, 便于更有效地提取同类数据的鉴别特征, 且有更好的稳定性, 故能更有效地实现高光谱遥感数据的地物分类。