木材密度可以反映木材的干缩性、 抗压抗拉强度等多种物理性质, 是重要的木材物理特性。 采用近红外光谱技术能够实现木材密度的快速预测, 可克服传统检测方法耗费人力、 物力、 时间的弊端, 但建模结果往往受异常样本的影响。 为准确识别并剔除样本集中的异常样本, 提出一种孤立森林结合学生化残差方法(IFSR), 在利用孤立森林集成特征的优点基础上考虑样本对模型的影响度, 可同时检测异常样本与强影响样本。 该研究对181个落叶松木材样本的近红外光谱及其在常温下的气干密度进行了测定。 通过对比多种方法预处理和特征选择方法, 确定采用标准正态变量变化(SNV)+去趋势处理(DT)+均值中心化(MC)+标准化(Auto)方法进行预处理, 采用竞争性自适应重加权算法(CARS)进行特征波段选择, 消除噪声及无关信息对算法的影响, 简化数据集, 提高算法剔除异常样本的准确性。 为验证IFSR方法剔除异常样本的能力, 将其与蒙特卡洛交互验证(MCCV)、 马氏距离(MD)等其他六种异常检测方法对比分析, 建立偏最小二乘(PLS)模型对其进行异常检测性能评价。 同时在上述基础上采用粒子群寻优-支持向量机回归(PSO-SVR), BP神经网络(BPNN)与PLS分别建立落叶松木材密度近红外预测模型。 结果表明, IFSR结合PSO-SVR方法得到的优化模型预测能力最强, IFSR可有效剔除奇异样本, 提高模型精度。

针对室内环境日益复杂，单一的定位系统已经不能满足人们对定位准确度需求的问题，设计了一种利用超宽带(UWB)和惯性导航融合进行的室内定位方法：首先针对UWB测距结果容易受环境影响的问题，根据实验环境对UWB测距进行了标定；然后利用改进马氏距离的异常值检测方法对测距过程中的异常值进行了剔除；最后采用了紧耦合的卡尔曼滤波器，以UWB测距值作为扩展卡尔曼滤波观测量，以惯性导航解算的位姿作为扩展卡尔曼滤波器的预测量，通过UWB测距来不断校正惯性导航的位姿数据。最终为了验证所提方法的可行性和有效性，进行了UWB单独定位和UWB与惯性导航融合定位的小车搭载矩形运动轨迹实验，通过对两种方法实验数据的对比分析，在加入了外界干扰时的矩形轨迹定位实验中，利用UWB和惯性导航融合的定位结果，平均精度比单独利用UWB进行定位时提高了36.3%；误差结果对比表明，利用UWB和惯性导航融合定位的误差波动更小，具有更高的鲁棒性。表明了该融合定位算法与单独利用UWB技术进行定位的算法相比，能够有效地抑制定位过程中的干扰问题，并且可显著地提高在室内环境下定位系统的鲁棒性和定位精度。

铁矿石是钢铁工业的重要原材料, 我国是铁矿石进口需求型国家, 是世界铁矿石消费第一大国。 海关对进口铁矿石检验的主要目标是预防进口铁矿石中涉及安全、 卫生、 环保、 欺诈等方面的风险。 对进口铁矿石产地及品牌进行符合性验证, 可以快速筛选掺杂、 掺假、 以次充好, 支撑进口铁矿石的风险管理, 保障贸易便利化。 在前期研究基础上进行应用拓展, 研究对象为澳大利亚、 南非、 巴西、 哈萨克斯坦、 印度5个国家、 21个品牌的422份进口铁矿石样品。 考察了波长色散-X射线荧光光谱无标样分析方法的准确度, 对于测量过程中未检出的元素含量, 选择了用检测限替代缺失值。 对于测量过程中的异常值, 使用基于剩余方差的F检验进行异常值的剔除, 皮尔巴拉混合块、 纽曼混合块铁矿、 纽曼混合粉铁矿各有一组数据计算得出的F统计量大于F检验临界值(a=0.01), 因此将这3组数据剔除。 采用逐步判别法筛选出Fe, O, Si, Ca, Al, Mn, Ti, Mg, P, Na, Cr, K, Sr, S, Zn, V, Cu, Ba, Ni, Mo, Pb共21个元素的含量作为产地识别模型的特征变量, 建立四维Fisher判别模型, 实现了对铁矿石产地的识别; 采用逐步判别法筛选出Fe, O, Si, Ca, Al, Mn, Ti, Mg, P, Na, Cr, K, Sr, S, Zr, Zn, V, Cu, Ba, Cl, Ni, Mo和Pb共23种元素含量作为品牌识别模型的特征变量, 建立二十维Fisher判别模型, 实现对21种品牌铁矿石的识别。 考察了特征元素对分类识别模型的贡献, 并分析了误判品牌铁矿石的元素特征。 总结出进口铁矿石产地及品牌判别分析模型的整体数据处理流程。