构建已知纯净物光谱数据库,计算待识别混合物光谱与数据库中各纯净物光谱的相似度,是利用拉曼光谱技术进行混合物成分分析的常用策略。受测量仪器性能及待测混合物所含成分相互干扰的影响,待识别混合物中所含物质成分的光谱与数据库中对应的纯净物光谱相比会有不同程度的失真,从而给基于纯净物光谱数据库的组分鉴别带来极大困难。针对这一问题,提出了一种使用已知混合物光谱数据来改善混合物成分识别精度的方法。首先利用纯净物拉曼光谱谱峰的位移和半峰全宽信息,将已知混合物的光谱谱峰与其所含有的具体物质对应;然后基于谱峰拉曼位移、半峰全宽和谱峰强度分别构建纯净物、已知混合物和待识别混合物的特征参数,并利用模糊隶属度函数计算待识别混合物光谱与纯净物光谱、已知混合物所含物质光谱的相似度;最终根据光谱相似度确定待识别混合物中含有的疑似组分。基于204种纯净物和8种已知混合物光谱数据库,对81种混合物进行了识别,结果表明:所提方法可降低由光谱失真导致的相似度计算误差,提高识别准确率;相比于纯净物数据库搜索策略,本文方法的识别精度由76.34%提高到了92.83%。

恒星光谱分类是天文学研究的一个热点问题。 随着观测光谱数量的急剧增加, 传统的人工分类无法满足实际需求, 急需利用自动化技术, 特别是数据挖掘算法来对恒星光谱进行自动分类。 关联规则、 神经网络、 自组织网络等数据挖掘算法已广泛应用于恒星光谱分类。 其中, 支持向量机（SVM）分类能力突出, 被广泛应用于恒星光谱分类。 该方法试图在两类样本之间找到一个最优分类面将两类分开。 该方法具有较高的时间复杂度, 计算效率有限。 双支持向量机（TWSVM）的出现有效地解决了SVM面临的效率问题。 该方法通过构造两个非平行的分类面将两类分开, 每一类靠近某个分类面, 而远离另一个分类面。 TWSVM的计算效率较之传统SVM提高近4倍, 因此, 自TWSVM提出后便受到研究人员的持续关注。 但上述方法在分类决策时, 一方面没有考虑数据的分布特征, 另一方面较易受噪声点和奇异点的影响, 分类效率难以显著提升。 鉴于此, 在双支持向量机的基础上, 提出融合数据分布特征的模糊双支持向量机（TWSVM-SDP）。 该方法引入线性判别分析（LDA）的类间离散度和类内离散度, 用以表征光谱数据的分布性状; 引入模糊隶属度函数用以降低噪声点和奇异点对分类结果的影响。 在SDSS DR8恒星光谱数据集上的比较实验表明, 与支持向量机SVM、 双支持向量机TWSVM等传统分类方法相比, 融合数据分布特征的模糊双支持向量机TWSVM-SDP具有更优的分类能力。 该方法亦存在一定的局限性, 其中一大难题是其无法处理海量光谱数据。 接下来将利用大数据处理技术, 来对所提方法在大数据环境下的适应性展开进一步研究。

自动检测和跟踪红外图像中的弱小目标在现代预警和探测系统中非常重要。针对现有的检测方法因受到复杂云层和地面自然背景的干扰, 导致系统虚警率较高和探测概率较低的问题, 提出了一种基于多尺度广义模糊算子的红外图像复杂背景抑制方法。首先利用非下采样轮廓波变换方法将图像进行分解, 获取不同尺度和方向的包含小目标和背景杂波的子带图像。然后, 通过应用模糊非线性背景抑制算子将红外图像中小目标和背景杂波系数差值拉大, 同时将相关性较强的杂波系数做平滑处理以达到抑制背景和增强小目标的目的。多组包含真实和模拟图像序列的实验表明所提方法优于其他方法, 特别是对于包含云层和地面复杂背景的红外图像。

为了综合利用红外和可见光云图的天气信息，本文提出一种基于非下采样shearlet(NSST)与自适应脉冲耦合神经网络(PCNN)相结合的红外和可见光卫星云图融合方法。首先利用NSST 对红外和可见光卫星云图进行多尺度、多方向分解，然后对分解得到的低频子带系数采用基于局部区域方差和局部区域能量的自适应加权方法进行融合，高频子带系数采用改进的自适应PCNN 进行融合，其中脉冲耦合神经网络的连接强度依据高频系数区域特征的不同重要性，通过一个S 型模糊隶属度函数自适应确定。最后对融合完成的低频和高频分量进行NSST 逆变换得到最终的融合云图。实验结果表明，基于本文提出方法的融合图像无论是从主观视觉效果，还是客观评价指标都要优于文中对比的典型融合方法，能为后续的天气分析和处理提供具有更加丰富的气象资料。