面粉吸水率是评价面粉质量和预测面制品加工特性的重要品质性状。 面粉吸水率的测定主要参照国际或国家标准利用粉质仪进行, 其测定方法费时费力。 基于此, 提出利用可见近红外光谱分析技术结合多元统计分析进行面粉吸水率快速、 无损检测。 参照国标法测定150份小麦面粉样品的吸水率, 面粉吸水率变幅为53.10%~74.50%。 利用可见近红外分析仪采集面粉样品的光谱信息, 有效光谱范围为570~1 100 nm。 采用偏最小二乘回归(PLSR)、 主成分回归(PCR)和支持向量机回归(SVR)将光谱信息和面粉吸水率进行关联, 分别建立面粉吸水率的定量分析预测模型, 筛选最优的建模方法。 在优选的建模方法的基础上, 采用竞争性自适应重加权(CARS)、 区间随机蛙跳(iRF)、 迭代保留信息变量(IRIV)和连续投影(SPA)算法提取特征波长, 筛选最优的特征波长提取算法。 基于最优的建模方法和最优的特征波长提取算法提取的特征波长, 采用标准化(NL)、 一阶求导(1st Der)、 基线校正(BL)、 标准正态变换(SNV)和去趋势化(DT)5种光谱预处理方法对特征波长的光谱进行预处理, 筛选最优的光谱预处理方法。 结果表明, 采用NL光谱预处理方法对CARS算法提取的24个特征波长(仅占原始波长的2.26%)的光谱进行预处理后建立的PLSR模型性能最佳, 预测集相关系数(R2p)、 预测集均方根误差(RMSEP)和预测相对分析误差(RPD)分别为0.889 4、 1.458 5和2.641 3。 采用CARS算法提取的特征波长所建的模型不仅能提高模型的性能, 还很大程度提高模型运算效率、 降低仪器制造成本和光谱仪微型化的难度, 从而为面粉吸水率可见近红外无损、 快速检测研究奠定了基础。

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。 旨在寻求特征波段筛选的最佳算法, 以实现土壤重金属铅含量的准确监测, 为土壤污染防治提供参考。 以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源, 利用蒙特卡洛交叉验证（MCCV）算法确定92个有效土壤样品, 通过相关分析选取倒数对数一阶微分变换处理的光谱数据, 采用随机蛙跳（RF）算法, 并结合竞争性自适应重加权（CARS）算法、 迭代保留有效信息变量（IRIV）算法及连续投影算法（SPA）, 构建RF-CARS、 RF-IRIV及RF-SPA三种算法对波段进行筛选。 以倒数对数一阶微分变换处理下的特征波段反射率为自变量, 土壤重金属铅含量为因变量, 采用极端梯度提升（XGBoost）和地理加权回归（GWR）方法构建土壤重金属铅含量估测模型。 结果表明: （1）光谱变换处理可有效增强光谱与土壤铅含量的敏感性, 其中倒数对数一阶微分变换后的土壤光谱特征更为明显, 相关系数可达到0.620（p＜0.001）。 （2）RF-CARS、 RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、 9和7个特征波段, 全部位于近红外光谱区域, 3种算法具有较强的特征提取能力, 极大减少光谱数据中的冗余信息。 （3）基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型, 说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。 此外, GWR模型的性能优于XGBoost模型, 构建的RF-IRIV-GWR模型具有较好的预测能力, 可作为研究区土壤铅含量的最优估测模型, 其验证集的决定系数（R2）为0.892, 均方根误差（RMSE）为0.825 mg·kg-1, 相对分析误差（RPD）为3.09。 基于随机蛙跳（RF）与迭代保留有效信息变量（IRIV）算法, 结合地理加权回归（GWR）建模方法在快速准确估测土壤铅含量方面具有一定优势, 可进行土壤重金属污染的动态监测。

研究高效、 准确、 便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。 由于X射线荧光光谱分析（XRF）技术具备快速、 准确、 无损检测、 样品制备简单等优势, 在土壤重元素定量检测获得广泛应用。 XRF仪器测试标准样品的荧光光谱并建立校准曲线, 通过反演计算得到待测样品的元素含量。 由于样品元素间存在基体效应, 以及荧光谱特征峰存在叠加干扰, 未经优化的校准曲线的线性度较差, 这给反演计算来困难。 为了解决上述问题, 分别利用小波变换、 非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线, 提高校准曲线的决定系数（R2）; 运用竞争性自适应重加权算法（CARS）, 针对不同目标元素优化变量选取; 进一步地, 基于选取的变量建立粒子群算法（PSO）优化的支持向量机回归（SVR）模型, 并通过该模型反演计算各元素含量, 提高定量分析的准确度和预测的泛化能力。 实验结果显示, 经过小波去噪和arPLS本底扣除后的校准曲线的决定系数（R2）有明显提升, Cr、 Cu、 Zn、 As、 Pb分别从0.965、 0.979、 0.971、 0.794、 0.915提高为0.979、 0.987、 0.981、 0.828、 0.953; 通过CARS选取的谱线变量的个数大幅度减少, 从2 048个通道降低到30个以下, 为原来变量个数的1.5%, 提高了变量选择的精准性; 与偏最小二乘法（PLS）、 未优化的SVR模型进行对比, 采用CARS变量选择和PSO优化的SVR模型进行含量预测, 训练集R2C与测试集R2P的决定系数分别在0.99、 0.90以上, 预测准确性有明显提高。 因此, 所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。

采用近红外光谱进行检测时，光谱波段包含了大量的噪声和散射，这些都影响了模型的稳定性。基于竞争性自适应重加权算法（CARS）和互信息算法（MI）的特征波长筛选方法来建立偏最小二乘（PLS）回归模型，探测苹果内部的可溶性固形物含量（SSC）。通过光谱仪获取800~2400 nm的120个样本的漫反射光谱数据，经过预处理之后的数据通过Kennard-Stone（KS）算法随机选取96个作为校正集，24个作为预测集，然后分别建立全波段PLS模型、CARS-PLS模型和MI-PLS模型来对比分析。结果显示：利用全波段建立PLS模型，模型的决定系数R²为0.8511，模型均方根误差（RMSEC）以及预测均方根误差（RMSEP）分别为0.9413和1.1915；CARS算法筛选的特征波长点变量从303减少到了12，下降了96.03%，建立的PLS模型决定系数R²为0.8746，上升了2.76%，RMSEC和RMSEP分别为0.864和0.9757；MI-PLS模型包含了56个特征波长点，选用的波长占全波长的18.49%，R²、RMSEC和RMSEP分别为0.9218、0.6822和0.8235，MI-PLS与CARS-PLS相比特征波长数增长了64.55%，决定系数R²提高了0.0472。因此CARS和MI算法都能很好地解决光谱数据本身的噪声、散射等问题，可以有效用于特征波段筛选，所建立的模型可以对苹果内部SSC含量进行测定。

及时准确地掌握土壤重金属含量和分布尤为重要，基于高分五号卫星高光谱影像，对潼关县土壤Cd含量进行大范围反演。为准确筛选Cd元素的特征波段，提高模型反演精度，通过特征编码和随机变异，耦合竞争性自适应重加权算法与遗传算法（CARS-GA），按照先全局后局部的搜索策略对Cd元素的特征波段进行搜索，并在标准正态变换（SNV）、一阶微分（FD）两种光谱增强方式下，比较基于CARS-GA方法与其他波段选择方法（相关系数分析法、CARS算法）构建的偏最小二乘模型（PLSR）精度，最后选择最优模型应用到整个潼关县裸地区域。实验结果表明：采用CARS-GA算法进行波段选择时，基于2种光谱变换数据构建的PLSR模型精度均明显高于相关系数分析法和CARS算法所构建的模型精度，FD光谱变换中验证集的决定系数分别提高了0.288、0.093，SNV变换光谱中验证集的决定系数分别提高了0.372、0.088。该结果表明了利用CARS-GA算法进行波段选择可有效增强Cd含量估测模型的鲁棒性，从而为环境污染评价及生态保护提供更好的数据支撑。

为进一步提高室内可见光三维定位的精度, 提出了一种基于最小三角形算法的室内可见光三维定位方法。该方法采用视距链路模型, 由定位终端接收携带发光二极管位置信息的光强信号, 利用最小三角形算法和接收信号强度指示方法来计算接收机在室内的三维位置信息, 再引入加权质心算法降低光路受遮挡所造成的影响。仿真结果表明: 在室内5 m×5 m×3 m的定位区域内, 提出的定位方法平均定位误差约为4.35 cm, 平均高度误差约为1.65 cm, 定位精度优于传统的室内可见光三维定位方法。

转炉炼钢终点温度的精确控制能够提高最终出钢的质量。为了提高终点钢水温度的预测精度，使用一种修正的比色测温法计算炉口火焰温度，通过改进的竞争性自适应重加权算法提取火焰光谱特征波长，最后将图像和光谱特征融合分析，建立炼钢终点温度预测模型。模型预测结果的均方根误差为15.8556 K，预测误差在±20 K内的准确率为87.50%，±30 K内的准确率为95.00%。与单独使用图像特征或光谱特征建立的模型相比，所提模型的预测误差最小，准确率最高。所提模型能够有效地预测转炉炼钢终点温度，满足炼钢生产的现场要求。

为了提高无线传感器网络节点的定位精确度，给出一种基于临近锚节点修正(CAAN)的具有噪声的基于密度的聚类(DBSCAN)加权定位算法。首先，在未知节点通信范围内的锚节点中选择三个构成三角形，证明当未知节点处在此三角形外接圆圆心位置时定位误差最小，然后据此选择合适的锚节点，结合滤波后的接收信号强度指示(RSSI)值进行定位计算，并利用DBSCAN聚类算法剔除误差较大的值。其次，把聚类后所得簇的核心点个数当作权值，采用加权定位算法得到未知节点的初始坐标。最后，计算锚节点坐标与初始坐标间的距离，选择临近的锚节点修正初始坐标，使最终的定位结果更加精确。仿真结果表明：相比于加权质心定位算法和基于RSSI测距滤波优化的加权质心定位算法，所给算法的定位精确度分别提高了69.55%和38.64%。