针对单一分类器在森林分类中分类精度低的问题，提出一种改进的蚁群算法结合支持向量机的分类模型（ACO-SVM）。该模型通过在蚁群搜索中加入部分有限搜索避免局部极值，并在信息素更新中引入时变函数，将动态更新策略与支持向量机结合，对径向基核函数参数进行优化。将该模型用于无人机可见光遥感影像森林类型分类，得到的实验结果为：在光谱特征影像分类中，对比ABC-SVM、GA-SVM、单纯的SVM模型，所提ACO-SVM在森林类型分类中效果最优，分类总体精度为81%，Kappa系数为0.7500；引入不同的纹理特征后，基于灰度共生矩阵特征对大兴安岭根河林区进行分类，总体分类精度为85%，Kappa系数为0.8063；引入Gabor纹理特征后，总体分类精度为87.5%，Kappa系数为0.8438。

为了更充分地发挥对地攻击型无人机的作战潜力，提出了一种基于萤火虫优化算法 (FOA)与相关向量机 (RVM) 的无人机作战效能评估模型。首先，根据无人机特点和战场需求，从数理统计角度建立了对地攻击型无人机作战效能评估指标体系; 然后，针对单一核函数的不足，采用多项式核函数和高斯核函数为RVM构造了混合核函数; 最后，基于所构建的评估指标体系，采用FOA算法优化多核RVM的相关参数，构建对地攻击型无人机作战效能评估模型。仿真分析表明，该模型取得了较高的评估精度，在各项评价指标上均优于单一的高斯核或多项式核的RVM模型，从而证实其有效性和可行性。

对感染黑斑病的刺五加叶片进行光谱特性研究, 能为药用植物病害的早期筛选与精准治疗提供重要研究资料。 实验目的, 运用高光谱成像技术实现植物病害的自动监督分类与识别。 实验过程, 首先使用高光谱成像系统在可见光波段（380～960 nm）内采集刺五加黑斑病的叶片样本, 光谱数据经过去除亮暗噪声和平滑预处理后, 再经过主成分分析实现数据降维, 继而运用基于不同核函数的支持向量机法建立分类模型, 最后利用总体分类精度、 Kappa系数等因子评价不同核函数对分类器性能的影响。 根据叶片表面的特征将其分为四类样本: 健康亮部、 健康暗部、 轻度病害和重度病害等。 对比各类样本的光谱可知, 刺五加的健康样本在540 nm波长存在一个明显峰值, 在620～680 nm光谱曲线急剧上升; 而病害样本的光谱反射率呈现缓慢且平稳的上升趋势, 上述特征能够将图像空间上反射强度接近的健康亮部和严重病害完全区分开。 经对比发现前四个主成分（PC1, PC2, PC3, PC4）在分类表达上存在差异, 主要表现为PC1含有的信息多, 能够较好地区分各类样本; PC2则出现健康亮部和严重病害的交叉混淆; PC3是对于PC2的补充, 能基本完整地表达轻微病害; PC4的贡献率仅有0.19%, 依然能够准确地识别严重病害。 不同主成分分量在表达各类样本特征中存在的差异能够作为复杂样本分类的参考依据。 对比四种核函数对支持向量机分类器性能的影响, 结果显示线性核函数的识别过程受光强反射的影响较大, Sigmoid核函数的训练精度易受数据集大小的影响, 在识别健康亮或暗, 以及轻微病害上均存在一定的误差, 多项式核函数与径向基核函数的效果较好, 其中, 多项式核函数的精度更高, 为92.77%。 研究表明, 利用高光谱成像技术能够准确地识别刺五加的健康叶片和患病叶片, 为实现自动诊断药用植物叶片病害提供新方法。

高光谱图像具有非线性的特点,且光谱间具有较强的相关性,利用线性的方法对高光谱数据进行维数变换容易损失一些信息。将核函数引入到最小噪声分离变换(MNF)中,提出了核最小噪声分离变换(KMNF),通过非线性映射将数据映射到高维特征空间,并在高维空间进行最小噪声分离成分的提取。利用高光谱图像较强的谱间相关性和空间邻域相关性,利用前后两个波段和空间邻域加权进行多元线性回归处理,对高光谱数据进行较准确的噪声估计。约束能量最小化(CEM)方法和匹配滤波(MF)方法是高光谱目标探测中较为经典的方法,将KMNF应用到两个经典的目标探测方法中,利用AVIRIS飞机场数据进行高光谱目标探测实验,结果表明,KMNF更能突出目标,提高高光谱目标探测的效果和精度。

核可能性C-均值(KPCM)聚类算法将核方法引入可能性聚类中,使其对超球体、含噪声和奇异点的数据能进行有效聚类,但存在可能性聚类的中心重合问题。因此,将β-截集引入KPCM聚类算法中,通过产生聚类核修改部分样本数据的典型值,以改善类间关系。同时,提出了一种基于截集门限的核可能性C-均值(C-KPCM)聚类算法,克服了KPCM聚类算法一致性聚类的缺陷。结合图像的非局部空间信息,利用自适应中值滤波算法可自适应调节滤波半径的特性,产生新的模糊因子,并将其加入C-KPCM聚类算法的目标函数中,提出了基于非局部空间信息的核可能性C-均值聚类算法,增加了强噪声干扰下聚类算法的鲁棒性,仿真结果验证了本算法有效性。

定向能量沉积过程的智能化建模有助于解决沉积制造精度低的问题。以沉积工艺参数(激光功率、送粉速率、扫描速率、喷嘴高度)为输入、熔道宽度和高度为输出设计实验,建立基于高斯径向(RBF)核函数的支持向量回归(SVR)模型,采用该模型对熔道尺寸进行预测,并采用改进的粒子群优化(PSO)算法对RBF-SVR的超参数进行自动全局寻优。结果表明:RBF-SVR预测熔道宽度和高度的平均相对误差分别为4.58%和5.33%,小于反向传播(BP)神经网络预测的平均相对误差(6.72%和7.96%);所建模型适用于定向能量沉积熔道尺寸的预测,并能对沉积成型工艺参数的选取提供帮助。

针对现存行人重识别算法不能较好地适应光照、姿态、遮挡等变化的问题,提出一种基于特征融合与子空间学习的行人重识别算法。该算法对整幅行人图像提取方向梯度(HOG)直方图特征和HSV(Hue,Saturation,Value)直方图特征作为整体特征,再在滑动窗口内提取色彩命名(CN)特征和两个尺度的尺度不变局部三元模式(SILTP)特征。为了使算法具有更好的尺度不变性,对原图像进行两次下采样,再对采样后的图像提取上述特征。提取特征后,采用核函数分别将原始特征空间转换到非线性空间,在非线性空间内学习一个子空间,同时在子空间内学习一个相似性度量函数。在3个公开数据集上进行了实验,结果表明,所提算法可以较好地提高重识别率。

非线性解混可以解释高光谱图像复杂场景中的非线性混合效应, 但地物的光谱变异性是其中的一个难点。提出一种考虑光谱变异性的无监督非线性解混算法。通过核函数将原始高光谱图像数据隐式地映射到高维特征空间中, 从而在该空间中结合光谱变异性进行线性解混; 与此同时, 依据实际地物的分布特性, 添加丰度和光谱变异系数的局部平滑约束。模拟和真实高光谱数据的实验结果表明, 该方法能克服不同非线性混合场景中存在的光谱变异性问题, 提高光谱解混的精度。

氮、 磷、 钾元素是植物有机质的重要生化组分, 准确估算其含量对监测管理植被的新陈代谢和健康状况具有重要意义。 可见-近红外光谱结合多种建模方法已被用于植被生化参数的监测, 其中支持向量机回归方法被证明能够较好拟合反射光谱和植被生化参数之间的非线性关系, 而选取适当的核函数是其成功的关键。 以宜兴地区水稻、 玉米、 芝麻、 大豆、 茶叶、 草地、 乔木和灌木等八种植被叶片样本为研究对象, 分析比较基于径向基核函数、 多项式核函数和S形核函数的支持向量回归模型估算叶片氮、 磷、 钾元素含量的能力。 利用一阶微分变换、 标准正态变量变换和反对数变换对叶片可见-近红外光谱进行预处理, 运用bootstrapping法生成1 000组校正集和验证集, 分别建立基于三种核函数的支持向量回归估算模型, 以决定系数(R2) 和相对分析误差(RPD) 的均值作为评价指标。 结果显示, 结合一阶微分和反对数变换光谱, 采用径向基核函数模型对氮、 钾元素估算精度最高(氮: 平均R2=0.64, 平均RPD=1.67; 钾: 平均R2=0.56, 平均RPD=1.48) , 结合一阶微分变换光谱, 采用径向基核函数模型对磷元素估算精度最高(磷: 平均R2=0.68, 平均RPD=1.73) 。 研究表明, 结合不同预处理的可见-近红外光谱, 基于径向基核函数的支持向量回归模型具有较好的估算多种植被叶片生化组分含量的潜力。