针对激光除漆的在线监测问题, 搭建声学监测实验平台, 研究激光除漆过程的声学监测技术。结合表面形貌和信号处理, 通过时域和频域分析, 发现了声波正压峰值、脉冲波形持续时间、清洗频率分量、直流分量和第一个谱峰的频率等一系列特征参数, 并通过逐步判别分析方法得到判别函数。研究表明, 除漆声信号可以提供有效的特征信息, 通过对清洗特征的判别可以实现对激光除漆的过程监测, 具有进一步实用的潜力。

拉曼光谱信号是一种基于分子振动的散射信号, 拉曼光谱仪的激光源波长一般为纳米级, 考虑到散射频移, 拉曼光谱有效信息主要集中在较高频段。 拉曼信号是典型的非平稳信号, 并且由于拉曼散射比较弱, 信号很容易被高频噪声和荧光背景干扰, 想获取较为全面的拉曼信息, 需要对信号进行处理, 小波变换对拉曼信号的分析结果取决于小波基的选择, 不同小波基处理结果有差异； 经验模态分解（EMD）方法可以自适应的分析信号, 不需要设置参数, 但存在模态混叠的问题； 集合平均经验模态分解（EEMD）, 有效的解决了EMD方法中存在的模态混叠问题, 能更加清晰的将信号中的不同频率成分划分开来, 因此更加适合频率成分丰富的拉曼信号的特征分析和处理。 采集了市面上常见的大豆油、 花生油、 玉米油和葵花籽油样本, 通过拉曼光谱仪获得了各自的拉曼光谱信号。 使用集合经验模态分解对食用油拉曼光谱信号进行自适应分解和处理, 一共获得了10阶固有模态函数（IMF）, 根据信号的能量分布以及幅值特性, IMF1和IMF2表征为信号中的噪声部分, IMF3-IMF7表征为拉曼特征信号部分, 最后一阶IMF10表征为荧光背景成分, IMF8和IMF9为其他物理意义的频率成分。 通过对有效信号段的特征增强并重构拉曼信号, 使拉曼信号的信噪比获得了2～5倍的提升, 其中, 难以探测的酯键羰基伸缩振动位于1 745 cm-1的谱峰得到了显著的增强。 最后, 将原始信号和经过特征增强的信号通过基于连续小波变换的惩罚最小二乘法进行了二次处理, 并将获得的信号进行主成分分析后, 可知： 没有增强的不同类数据样本相互有重叠, 不存在明显的类间距, 很难完整的区分类型； 基于特征增强的数据样本各自聚集, 每种类型都可以相互鉴别, 可为拉曼光谱信号处理提供一种新的途径。

现今纺织业中机器纺织速度越来越快, 传统的人眼识别速度已经不能满足纱线缺陷在线检测的需求, 因而在纺织业中推进自动化检测变得尤为重要。针对纱线自动化在线检测中纱线疵点信号判别的需要, 利用反射式光电检测原理通过搭建检测结构对纱线表面疵点进行采样并对采样样本特征进行分析。通过分析采样样本中疵点不同轴向尺寸、径向尺寸及灰度差异特征对输出产生的影响, 为纱线疵点在线检测信号判断提供依据。经分析发现疵点轴向尺寸与采样样本响应时间呈线性关系, 疵点径向尺寸及灰度差异与采样样本响应电压峰值呈线性关系。

为了保证智能手机的信息安全，提出一种多传感器信息融合的手机用户身份认证方法。首先从手机用户操作手势的姿态角变化、运动幅度以及旋转程度等方面提取信号特征，然后分别以三类单特征的动态时间规整识别结果作为独立证据构造基本概率分配函数，进而采用Dempster/Shafer 证据理论对其进行融合。为缓解证据间出现的冲突，避免其影响融合效果，引入加权证据方法。通过计算各证据之间的相似性来衡量证据间的冲突程度进而确定各证据的可信度，并且对各证据进行加权修正以降低可信度小的证据对融合结果的影响，最后根据融合结果做出决策。仿真结果表明，该算法性能优于对比算法，能有效对手机用户进行身份识别。