针对传统天线选择算法在完全广义空间调制（FGSM）系统中运用会出现局限性且误码性能不理想等问题，提出一种基于皮尔逊（Pearson）相关系数的选择算法，其基本原理是根据不同位置的光电探测器与发光二极管组合之间的Pearson系数相关性进行天线选择，能够提升FGSM系统性能及扩大使用范围。结果表明：当误码率为10^-3时，在发射天线数量为4、调制方式为脉幅调制的情况下，FGSM系统的传输速率相较于广义空间调制增加了1 bpcu（bit per channel use）；采用基于Pearson相关系数选择算法后的完全广义空间调制-多输入多输出（FGSM-MIMO）系统相较于随机选择算法所需信噪比改善了5.1 dB，相较于最大范数选择算法改善了0.8 dB。综上所述，在同一时刻发送相同信息的情况下，基于Pearson相关系数选择算法的FGSM-MIMO系统在光空间通信领域具有更好的发展前景。

针对波长调制光谱技术中二次谐波背景信号漂移的问题，将背景信号历史数据中与实测二次谐波信号相似的信号作为背景信号，提出了一种气体体积分数反演方法。首先，选用中心波长在5.18 μm附近的激光器，搭建了NO体积分数测量系统，并将48 h内测量的纯N₂背景信号作为历史数据构建背景信号库。然后，在系统中通入NO，得到经过吸收的二次谐波信号并计算其与背景信号库中各背景信号的相关系数。最后，扣除最大相关系数下的背景信号后反演气体的体积分数。对体积分数为2.5×10^-6的NO进行了24 h的监测，结果表明，该方法可将平均相对误差从修正前的6.48%提高到3.84%。

针对传统DS证据理论无法有效解决高冲突证据融合的问题, 提出基于平均证据和焦元距离的高冲突证据融合方法。首先, 利用皮尔逊相关系数计算证据体相关性, 并由此定义证据权重计算平均证据。然后, 利用平均证据计算各证据焦元距离, 根据焦元距离将冲突重新分配给各焦元的BPA, 构造新证据体。最后, 对新证据体进行传统Dempster组合, 得到融合结果。仿真实验表明, 新方法在处理高冲突证据时准确度高、收敛速度快, 较好地解决了高冲突证据融合问题。

在目标识别和图像配准等领域中,进行特征点匹配时一般都会产生误匹配点,对误匹配点的准确剔除可以有效提升识别精度及配准精度,因而成为研究的重点。当前比较成熟的剔除算法,如random sample consensus(RANSAC)、M-estimator sample consensus(MSAC)等,经常会出现剔除部分正确匹配点的情况。针对当前存在的问题,提出了一种基于Pearson相关系数,对长度和夹角进行双约束的误匹配点剔除算法。所提算法首先粗剔除误差较大的误匹配点,进而通过迭代的方式对误差较小的误匹配点进行精细剔除。多幅图像的实验结果证明,所提算法能在剔除全部误匹配点的基础上保留绝大部分正确匹配点,与对比组算法相比,保留正确匹配点的比例更高,有效地降低了误剔除率,对提升图像匹配的准确度具有重要意义。

为了分析纸张灰烬的主要成分并判别纸张种类，实验将30种品牌的纸张制备成纸张灰烬，用X射线荧光光谱仪测量其主要成分，基于测量数据训练支持向量机（SVM）分类器，最终实现了纸张种类和品牌来源的判别。实验精确测量90组纸张灰烬的主要成分数据，按比例随机生成训练集和测试集；在MATLAB实验平台上，利用交互式检验法确定径向基核函数的最佳参数c、g，建立了支持向量机分类模型；研究了训练集测试集比例与测试准确率的关系，当训练集测试集比例为17∶1时，模型测试准确率可达100%；最后，用Pearson相关系数分析造成模型误判的原因。研究表明，支持向量机分类模型能有效实现样品分类，可用于测试纸张灰烬的种类和品牌来源，有益于法庭科学中相关问题的解决并且为公安民警在犯罪现场收集物证提供帮助。

高光谱遥感监测农作物重金属污染已成为遥感研究的重要内容之一。 受污染的作物叶片中重金属含量映射到光谱上的信息量差异较微弱, 如何灵敏地挖掘其所包含的价值信息具备一定挑战性。 以农作物叶片光谱为研究对象, 通过多个光谱特征波段组合的方式, 提出了一种铜污染植被指数(CPVI)的污染程度探测模型, 来表征重金属Cu对农作物的污染程度。 首先设置盆栽实验, 将不同浓度梯度的CuSO4·5H2O粉末添加到土壤中, 模拟Cu污染土壤环境, 胁迫玉米生长。 采集玉米穗期的老、 中、 新叶片光谱, 测定叶片中Cu2+含量及相对叶绿素浓度。 而后利用随机选取的58组玉米叶片光谱作为实验数据, 在380～900 nm波长范围内选取波长λ1和λ2的两组叶片光谱反射率并计算相应的CPVI［λ1, λ2］模型指数及其与对应叶片中Cu2+含量的皮尔逊相关系数, 得到相关性特征绝对值矩阵。 其次, 根据得到的相关性特征绝对值矩阵, 提取皮尔逊相关系数较高的光谱特征波段690和465 nm, 并结合波段850 nm建立针对玉米叶片的铜污染植被指数(CPVIm)。 之后, 利用另外26组数据对CPVIm指数进行检验, 同时将该指数与归一化植被指数(NDVI)、 陆地叶绿素指数(MTCI)等常规植被指数进行比较以验证CPVIm的有效性与优越性。 结果表明, NDVI, MTCI, REP和DVI与叶片中Cu2+含量相关系数最高仅为0.68, 残差平方和RSS最低为70.99, 而CPVIm与叶片中Cu2+含量显著负相关, 相关系数达-0.80, 残差平方和为48.52, 均优于NDVI和MTCI等常规植被指数, 证明CPVIm对重金属胁迫更敏感。 同时利用两期不同年份不同品种的玉米光谱数据进行CPVIm指数的鲁棒性验证, CPVIm与叶片Cu2+含量的相关系数r分别为-0.90和-0.96, 均显著相关, 说明该指数对于不同品种的玉米污染程度探测仍具有良好的适用性。 另外, 利用玉米叶片中Cu2+含量、 CPVIm和叶片中叶绿素相对浓度构建三维分析模型, 从空间角度直观地反映了三者之间具有一定的相关关系。 通过光谱特征波段组合方式构建的CPVI探测模型可作为评价农作物重金属污染程度的参考方法, 基于该方法构建的CPVIm指数可有效甄别玉米受重金属Cu2+污染的程度。

为了解决地物分类的机载激光雷达(LiDAR)与高光谱特征构造中存在的特征维数过高的问题,提出了一种基于XGBoost与皮尔逊相关系数相结合的特征选择算法——XGB-PCCS,同时设计了XGBoost与序列后向选择相结合的特征选择算法——XGB-SBS与之对比。采用真实数据验证所设计的两种算法,结果表明:两种算法均可在保证分类结果准确率的基础上有效地减小特征集维数;XGB-SBS算法保留的特征维度为33,得到的总体分类精度为95.63%,Kappa系数为0.943;XGB-PCCS算法保留的特征维度为25,总体分类精度为95.55%,Kappa系数为0.942。XGB-PCCS算法的人为干预程度较低,运行时间较短,保留的特征集更精简。此外,对比了两种算法得到的特征子集,并总结了LiDAR点云与高光谱影像多模态特征构造中重要程度较高的24种特征。

为识别空间外差光谱仪探测目标干涉信号的特征信息, 提出一种基于经验模态分解与回归分析的空间干涉谱目标提取方法。首先对预处理后的光谱进行经验模态自适应分解, 得到各阶次固有模态分量并分别计算它们与原始光谱信号的Pearson相关系数, 根据相关系数分选准则判定背景与目标信息重构的分界点。然后计算重构背景与实测背景间的Pearson相关系数来判定经验模态分解结果。对信号主导的固有模态分量利用小波软阈值进行消噪,重构较纯净的目标特征信息; 利用目标特征信息与原始干涉光谱信息进行多元线性回归分析获得最佳的近似滤波系数, 构造滤波器并应用到目标信号, 提取目标。最后通过差谱信号与提取的目标光谱的Pearson相关系数来判别提取的目标信号。实验结果表明: 经验模态分解可将背景与目标近似分离; 在未知背景信号情况下, 利用经验模态分解与回归分析可实现钾共振双线特征光谱的提取。