由于分子结构的高相似性, 烃类气体混合物中各组分红外光谱谱峰重叠严重, 导致浓度的精确监测一直是化学计量学的难题。 为了应对这一挑战, 提出一种粗精选策略二进制灰狼优化（RSBGWO）算法, 用于优选红外光谱特征, 建立高精度定量分析模型。 该方法以交叉验证下光谱定量分析模型的均方根误差（RMSECV）平均值作为适应度函数值。 在粗选阶段, 进行第一次全局迭代, 更新α狼、 β狼和δ狼所选特征变量的位置信息； 在精选阶段, 结合α狼所选的特征变量以及剔除α狼未选中特征变量位置后的β狼和δ狼特征变量, 更新狼群位置信息, 逐步降低RMSECV值, 提取为全局最优特征波长, 并引入非线性收敛因子加快收敛速度。 该算法在采集的359个混合烷烃气体样本的红外光谱数据集上进行了实验测试并验证了所提算法的效果。 与bGWO和bPSO特征提取算法比较, 基于本文提出的RSBGWO算法建立的MLR模型在分析甲烷、 乙烷、 丙烷和二氧化碳气体浓度时, 特征选择数量均降低了96%以上, 预测均方根误差（RMSEP）均低于数据采集过程中所使用的配气系统的仪器误差, 相对预测偏差（RPD）均提高了15以上。 相对于全谱建模的MLR模型和PLS模型, 基于RSBGWO算法建立的MLR模型和PLS模型的预测精度有显著增高, 预测效果对定量分析模型的依赖性降低了。 实验结果表明, 提出的方法具有优秀的红外光谱特征提取能力, 能够明显提高定量分析模型的预测效果。 该方法能够促进光谱检测技术在生物制药、 食品化工、 油气勘探等领域的应用, 尤其是在含同系有机物混合物的应用场合。

针对气象观测领域的研究与应用需要，设计并建立了一种面向气象观测的雷声数据库，其中包含闷雷 28个、霹雳 33个和干扰声 61个，共 122个样本。首先对样本进行采集、制定命名规则并做标签，再针对此数据库使用支持向量机(SVM)与组稀疏最小二乘回归(GSLSR)进行基准实验并对样本进行评价。仿真实验结果表明，雷声数据库的建立为气象领域的研究提供了应用基础和前提。

针对传统直流偏置正交频分复用(DCO-OFDM)水下发光二极管(LED)可见光通信系统的信号检测性能较差且通信距离较近的问题，采用了基于支持向量机(SVM)的水下LED可见光通信信号检测方法，即先对信号数据进行网格搜索和交叉验证，得到最优的SVM模型，再用所得模型对接收信号做出判决。仿真结果表明：在相同通信距离下且低信噪比(SNR)时，基于SVM检测的系统性能与基于直接判决最小均方(DD-LMS)检测的结果相当，高SNR时，前者优于后者；在相同误码率且通信距离小于3 m时，基于SVM检测的系统通信距离略远于DD-LMS检测。

已有的土壤有机质含量估测模型大多以光谱特征波段、 线性和非线性模型为基础, 较少考虑通过拓展样本数据建模集来提高模型的估测能力。 为进一步提高土壤有机质高光谱反演模型估测精度, 提出利用生成式对抗网络(GAN)合成伪高光谱数据和有机质含量的动态估测模型。 选取湖南省长沙市及周边区域的水稻田为研究对象, 采集土样和实测高光谱数据(350~2 500 nm), 室内化学测定有机质含量。 以高光谱数据和有机质含量为基础, 利用生成式对抗网络生成等量新数据, 结合原始数据建模集组成增强建模集。 在GAN正式训练中, 每轮训练完成后, 设置4个观测点(对应增强建模集中含50, 100, 150和239个生成样本), 动态构建交叉验证岭回归(RCV)、 偏最小二乘回归(PLSR)和BP神经网络(BPNN)土壤有机质含量估测模型(分别简称GAN-RCV, GAN-PLSR和GAN-BPNN), 并在相同测试集上实施模型评估。 实验结果表明: (1)原始数据建模集上拟合的估测模型中, 交叉验证岭回归表现最佳, 决定系数(R2)和均方根误差(RMSE)分别为0.831 1和0.189 6; (2)GAN的150轮正式训练中, 增强建模集上动态构建的GAN-RCV, GAN-PLSR和GAN-BPNN模型性能显著提高, 具体表现为: GAN-RCV的R2取得最大值0.890 9(RMSE 0.153 7)、 最小值0.850 5 (RMSE 0.18)与平均值0.868 7(RMSE 0.168 6), 最大R2比建模集上拟合的RCV提高了7.2%(RMSE降低了18.9%), GAN-PLSR获得R2最大值0.855 4(RMSE 0.176 9)、 最小值0.727 0 (RMSE 0.243 2)与平均值0.780 1 (RMSE 0.217 7), 最大R2比建模集上拟合的PLSR提高了20.6%(RMSE降低了29.5%), GAN-BPNN表现最佳, R2取得最大值0.905 2(RMSE 0.143 3)、 最小值0.801 7(RMSE 0.207 3)与平均值0.868 1(RMSE 0.168 6), 最大R2比建模集上拟合的BPNN提高了30.8%(RMSE降低了44.5%); (3)随着增强建模集中生成样本数量增加, 模型精度提升效果呈先升后降趋势, 4个观测点中第3个观测点的模型性能提升最显著。 充分的实验表明: 基于GAN动态构建的有机质含量估测模型显著改善了模型预测性能。 依据测试集上的评估结果, 可择优使用最佳模型进行后续土壤有机质含量估测。

交叉验证是用于验证模型性能的一种统计分析方法, 可避免由训练集与测试集重合引起的过拟合。 进行交叉验证时通常使用交叉验证均方根误差（RMSECV）的均值来表征多元素的分析准确度。 但对于激光诱导击穿光谱（LIBS）用于多元素分析的情况, 发现各元素的RMSECV与其在样品中的浓度范围可近似用线性关系表述, 由于不同元素在样品集中的浓度范围差异很大, 不同元素之间的RMSECV差异较大, 实验中C与Cr在样品集中的浓度范围差异为28.11倍, 其RMSECV差异达到8.96倍。 发现RMSECV均值对于个别元素过于灵敏, 在数据优化过程中, 可能导致其不能反映大多数元素的分析准确度变化趋势。 为减小RMSECV均值对不同元素的灵敏度差异, 更全面地表征多元素的分析准确度, 提出了多元素的RMSECV标准化方法, 即将各元素的RMSECV与该元素在样品集中的浓度范围相除, 并引入标准化交叉验证均方根误差（SRMSECV）的概念。 LIBS检测受测量条件波动（如激光脉冲能量、 振动等）等不确定因素的影响, 会引入异常光谱, 并对分析准确度产生负面影响。 为通过滤除异常光谱来提高多元素分析准确度, 利用光谱面积筛选对光谱数据进行预处理, 以同一样品下各张光谱的面积中位数为中心, 选定某一光谱面积区间, 舍弃该区间之外的光谱, 并使用余下光谱用作定量分析。 在此基础上, 通过对0.5 Pa真空环境下的10块Ni基合金中的14种元素成分进行的多谱线内标法定量分析展开实验验证。 标准化后各元素RMSECV的相对标准差（RSD）由68.7%减小至48.9%, 元素间的RMSECV的最大差异由8.96倍降低至3.93倍, 表明SRMSECV均值能够较全面表征多元素的分析准确度, 从而有利于实现定标曲线的全自动优化。 在优化面积筛选跨度下, 各元素定标模型的决定系数（R2）均值与SRMSECV均值都得到一定程度的改善, 证明光谱面积筛选对于提高多元素分析准确度的价值。

针对计算鬼成像采样过程中出现的数据扰动及采样次数不易较多所引起的鬼图像质量较差的问题,提出了一种基于Tikhonov正则化的计算鬼成像方法。该方法利用一个表征噪声强度的约束项,将计算鬼成像问题转化为信号误差与噪声强度最小化的数学问题,并利用广义交叉验证法选取合适的正则参数来重构待测物体的鬼像。实验结果表明,所提算法在干扰情况下明显优于传统鬼成像、差分鬼成像和伪逆鬼成像,具有较强的稳定性;在无干扰情况下,也明显优于传统鬼成像、差分鬼成像,且不差于伪逆鬼成像。

采用地面激光扫描获取树木的光探测和测距数据,并将其作为遥感数据源,选取水杉、棕榈、无患子、竹子和橡胶树为研究对象,提出了三类有效特征:树木相对聚类特征、点云分布特征和树木表观特征,列举了68个特征参数。采用支持向量机在交叉验证中对训练数据集进行检验计算,确定最优的特征参数组,最终在测试数据集中进行树种分类。研究结果表明:基于树木相对聚类特征的最优特征参数组进行树种分类的平均分类精度较低(45%);基于点云分布特征的最优特征参数组进行树种分类的平均分类精度有所增加(58.8%);基于树木表观特征的最优特征参数组进行树种分类的平均分类精度较高(63.8%);基于三类特征的13个最优特征参数进行树种分类的平均分类精度最高(87.5%)。此外,由于水杉与其他树种形态差异较为明显,在分类中表现突出,错判率最低(6.5%)。所提方法具有较高的可行性,为获得更准确的森林树种分布提供了强有力的工具。