针对飞秒脉冲激光诱导击穿光谱（fs-LIBS）中Al靶温度对AlO分子光谱的影响进行了实验研究。通过测量AlO分子的光谱强度和振动温度，发现Al靶温度对fs-LIBS技术中AlO分子的光谱特性有显著的影响。研究结果表明，提高靶材温度能有效增强fs-LIBS中AlO分子的光谱信号强度，并提高分子的振动温度和寿命。此外，时间分辨光谱分析结果还揭示出在高Al靶温度条件下，AlO分子的辐射寿命较长，光谱信号强度较强。这意味着在高温下，分子能够停留更长的时间，增加了光谱信号的持续时间。通过调控飞秒激光能量和靶材温度，可以获得更强的分子发射和光谱信号，从而实现更高的灵敏度和准确性。研究结果为fs-LIBS技术中样品温度对分子光谱的调控机制研究提供了实验数据。

现代爆破工程研究中, 炸药岩石的匹配模型为揭示爆破过程内在机制和预测爆破系统的经济效益提供了科学依据, 已经成为不可替代的重要工具。但由于土岩介质的多样性和复杂性、炸药爆炸过程的不确定性, 炸药岩石的相互作用在爆炸过程中就更为复杂和不确定, 很难从其相互作用过程来研究炸药与岩石的匹配。早期的研究主要是依靠经验公式与现场试验进行推算总结, 往往存在特征值高, 适用环境苛刻的情况, 而机器学习的特点是只考虑开始和结果, 不计较中间过程, 这保证了其在炸药岩石匹配模型研究中的普适性。而XGBoost算法结合多线程、数据压缩、分片的方法, 具有在数据量大的情况下算法效率较高的优点, 适用于数据量较大的现场数据训练学习。鉴于此, 依托贵州某矿开展现场试验, 采用XGBoost算法建立炸药与岩石匹配系统, 通过成功实例对网络进行训练, 并将训练过的神经网络应用于实际工程。结果表明: 采用这种方法所建立的匹配系统选用的炸药与目前使用的工业炸药性能相近, 误差在±10%以内, 具有较高的可信度, 进一步验证了基于XGBoost算法的炸药岩石匹配系统合理性。

大量的训练样本可有效缓解模型过拟合，从而提高分类效果。在初始标记样本较少的情况下，开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验，并利用初始标记样本和扩增样本训练支持向量机（Support Vector Machine, SVM）分类器，实现对高光谱数据的有效分类。该方法在Pavia University、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本，分类精度分别达到99%、99%和97%以上。实验结果表明，扩增的大量伪标签样本可以有效训练SVM分类器，提高分类效果。

获取物体的光谱反射率是准确再现物体在各种光照条件下真实颜色的关键保证, 这对纺织服装、 出版印刷、 网络电商、 远程医疗等对颜色有较高要求的行业有重要作用。 光谱反射率重建的目的是利用训练样本建立数码相机等通用设备所获取的RGB三色值和光谱反射率高维向量间的映射关系, 从而避免使用分光光度计等专业设备所带来的成本高、 操作复杂、 分辨率低等问题。 训练样本的选择是影响光谱反射率重建算法效果的重要因素。 从物理角度看, 光谱反射率是一条关于波长的光滑曲线, 光谱反射率向量最大的相关性特征就是其光滑性, 因此, 训练样本的选择应同时考虑空间距离和形状的相似性。 针对局部学习方法中局部样本选择问题, 提出一种能同时考虑光谱反射率向量形状相似和空间距离相近的更加有效的训练样本选取方法, 以提高光谱反射率重建的精度。 该方法利用待测样本与训练样本之间的加权欧氏距离与向量夹角距离结合后赋予不同权重作为相似性度量, 根据样本容量动态地选出相似度较高的样本。 实验以孟赛尔半光泽数据集(munsell matte)为样本集, 基于伪逆法进行光谱反射率重建, 以光谱均方根误差和色差为评价指标, 与加权欧氏距离方法从样本选择的有效性和重构精度两方面进行比较。 实验结果表明, 基于改进加权欧氏距离的样本选择, 能够在保证均方误差最小的条件下, 显著降低色度误差, 同时添加不同噪声水平后, 文中方法的均方根误差和平均色差依旧保持最小, 该方法能够更好地利用局部样本的信息, 而且具有较好的抗干扰能力, 可以有效地提高光谱反射率重建的实际应用效果, 进而为颜色的真实再现提供保障。

为提高利用红外光谱数据鉴别中药材产地的预测模型效果, 应该选用合适的数据预处理方法和合适的算法。 针对具有3 448个特征（波长551～3 998 nm）的658条红外光谱中药材数据, 借助于支持向量机(SVM)算法, 研究了10种基于样本预处理方法（不做预处理、 最大最小归一化、 标准化、 中心化、 移动平均平滑、 SG平滑滤波、 多元散射校正、 正则化、 一阶导数和二阶导数法）与5种基于特征波长预处理方法（不做预处理、 中心化、 最大最小归一化、 标准化和正则化）的组合（共50种）对产地模型预测精度和稳定性的影响。 结果表明: 合适的数据预处理对提高模型精度是必要的; 标准化和最大最小正则化方法光谱的预处理建模效果较好, 其预测系数值约85%; 基于特征的预处理对模型预测效果改进小。 只做光谱预处理或基于特征预处理的预测稳定性值近似相等（两类方式的决定系数平均值都近64%）; 基于样本+特征的组合预处理方法中, 二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好, 其决定系数R2达到近94%; 而中心化+正则化组合处理达不到直接采用原始数据（不做数据预处理）的建模效果, 该方法预测效果最差。 该研究的方法和结论为具有高维光谱特征的药材产地鉴别和选取有效的预处理方法提供了参考, 对进一步分析药材药效和化学成份有重要的意义, 也可供其他光谱数据分析借鉴。 也为高维小样本数据建模的前期数据处理提供了思路。

土壤作为人类生存的重要物质基础和自然资源之一, 其营养元素含量不仅是农业生产的基础, 也是评价土壤质量的重要指标。 传统测定土壤中营养元素的方法以液体进样为主, 操作繁琐且对环境有一定的污染。 采用超高压制样技术与LIBS技术联用, 综合了绿色无污染的样品前处理技术以及操作简单、 可进行多元素同步快速检测的测定技术, 建立了高压制样-激光诱导击穿光谱技术测定土壤中的硅铝铁钾的分析方法。 通过对制样压力大小的对比研究发现, 当制样压力在2 000 kN时, 制备出的样品表面光滑、 平整, 具有更好的致密性, 测定精密度达到最好; 通过对LIBS仪器测定条件的优化, 发现在使用多位置采样的方式, 激光能量、 采集延迟、 光斑尺寸分别为0.8 mJ、 0.5 μs、 60 μm的条件下, 能够减小样片剥蚀产生的热效应及样片表面不均匀对测定结果造成的影响, 提高测定信背比, 从而提高测定结果的准确度和精密度。 在该方法优化后的条件下, 采用土壤成分分析标准物质, 以多变量做线性回归的定标曲线, 得到了较好的线性关系, 有效降低了基体效应对测定结果的影响。 通过国家一级土壤成分分析标准物质的验证, 除个别元素外, 方法测定营养元素的精密度范围均在0.31%~4.21%之间, 且测定结果与认定值基本一致。 该方法不仅操作简单、 能够避免传统方法带来的环境污染, 同时也能够实现多元素同时测定, 推动了LIBS技术在定量分析领域的进一步发展。

在流水线模数转换器(Pipeline ADC)电路中, 栅压自举开关中的非线性电容会对开关管的导通电阻产生直接的影响, 导致采样非线性。设计了一种三路径的高线性度栅压自举开关, 采用三个自举电容, 分别构成两条主路径和一条辅助路径, 使得输入信号在通过两条主路径传输到开关管栅端时加快栅端电压的建立, 同时利用辅助路径驱动非线性电容, 减少电路中非线性电容对采样电路线性度的影响, 从而增强信号驱动能力, 提高整体电路的精度。本文设计的栅压自举开关应用于14 bit 500 MHz流水线ADC的采样保持电路中。采用TSMC 28 nm CMOS工艺进行电路设计。仿真结果表明, 在输入频率为249 MHz, 采样频率为500 MHz的条件下, 该栅压自举开关的信噪比(SNDR)达到92.85 dB, 无杂散动态范围(SFDR)达到110.98 dB。

针对复杂电磁环境下干扰信号样本量少而难以识别的问题, 提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵, 计算干扰信号的预测值, 通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明, 该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。