牛奶脂肪含量的高低会影响人的身体健康。 以牛奶脂肪含量作为分析指标, 应用图像处理技术分析高光谱数据, 利用ENVI软件从高光谱图像中提取感兴趣区域(ROI), 采用不同的预处理方法对光谱数据建立偏最小二乘回归(PLSR)模型并比较得出最佳的预处理方法, 然后采用不同的主成分个数对预处理后的数据进行特征提取并建立支持向量回归机(SVR)模型, 通过比较得出最佳的主成分个数, 最后对特征提取后的数据建立SVR预测模型对牛奶中脂肪含量进行分析。 由于传统的SVR模型预测效果不好, 不能满足人们对于预测模型的基本要求, 故提出一种混合策略改进的鲸鱼优化算法对SVR预测模型进行优化, 将经过混合策略改进的鲸鱼优化算法优化后的SVR模型的评价参数与经过遗传算法、 传统的鲸鱼优化算法、 精英反向学习优化的鲸鱼优化算法优化后的SVR模型的评价参数进行了比较。 结果表明: 经混合策略改进的鲸鱼优化算法优化的SVR模型的训练集与预测集决定系数(R2)的值分别为0.998和0.995, 均方根误差(RMSE)的倒数1/RMSE的值分别为13.766和6.191, 平均绝对误差(MAE)的倒数1/MAE的值分别为13.910和11.422; 经传统的鲸鱼优化算法优化的SVR模型的训练集与预测集参数R2的值分别为0.998和0.989, 1/RMSE的值分别为13.526和5.849, 1/MAE的值分别为13.616和7.037; 经精英反向学习策略改进的鲸鱼优化算法优化的SVR模型的训练集与预测集参数R2的值分别为0.998和0.988, 1/RMSE的值分别为12.474和6.421, 1/MAE的值分别为15.003和10.554。 由以上结果说明混合策略改进的鲸鱼优化算法优化SVR预测模型是可行的, 优化后的SVR模型具有更好的预测效果。

提出一种基于卷积神经网络（CNN）和支持向量回归机（SVR）的多轴差分光学吸收光谱（MAX-DOAS）对流层NO₂垂直分布预测方法。将2019年南京站点采集的原始MAX-DOAS数据通过QDOAS软件拟合获取O₄和NO₂差分斜柱浓度，结合基于最优估算的气溶胶和痕量气体廓线反演算法——PriAM算法反演了对流层NO₂廓线，并将其作为预测模型的输出。此外，通过平均影响值方法进行预测模型输入变量的选择，确定了MAX-DOAS数据、温度、气溶胶光学厚度和低云覆盖率为模型的最佳输入变量。通过实验优化网络结构和参数，最终建立预测模型在测试集与PriAM的平均百分比误差仅为9.14%，与单独建立的CNN、SVR、反向传播模型相比，平均百分比误差分别降低了8.22%、6.00%、32.28%。因此，CNN-SVR能够利用MAX-DOAS数据对对流层NO₂廓线进行有效预测。

为了进一步提升机器人的绝对定位精度, 提出了一种通过支持向量回归机( Support Vector Regression, SVR)实现误差预测的方法。采用 MDH(Modified Denavit-Hartenberg)模型建立机器人运动模型, 并利用 SVR建立机器人转角与位置误差的预测模型。通过空间精度控制网格划分, 并对采样点与校准精度之间的关系进行分析, 以确立合适的区域划分方式。最后, 用激光跟踪仪测量机器人末端实际位置坐标与机器人理论值做比较, 获得转角与位置误差样本集用于 SVR模型的训练, 以实现机器人单点位置误差的补偿。实验结果表明, 机器人在中心位置和边缘位置的算术平均误差分别由 2. 107 mm和 2. 182 mm减少到 0. 103 mm和 0. 123 mm, 验证了采用 SVR对机器人的绝对定位误差进行补偿的正确性和有效性。

提出了一种基于激光拉曼光谱和人工蜂群智能优化支持向量回归机(ABC-SVR)算法的快速定量检测三组分混和油中3种脂肪酸含量的方法。 该方法针对光谱数据信息与样本之间非线性、 高维度的关系, 建立了预测精度及建模效率均高于同类对比算法的数学模型, 同时避免了气相色谱法、 液相色谱法等对混合油脂肪酸含量的检测方式, 根据纯种油中3种脂肪酸含量的国际标准, 由油品配置体积得到脂肪酸质量, 有效降低了检测成本与实验复杂程度, 提高了检测工作的实用价值。 首先根据一定梯度配置66组混合油检测样品, 使用便携式拉曼光谱仪采集样本的拉曼光谱信息, 扣除背景噪声; 观察多组样本的拉曼光谱图可知, 由于官能团浓度的差异, 食用油的拉曼特征峰位移基本相同, 特征峰的峰值明显不同, 因此基于特征峰信息可以区分食用调和油的不同混合物; 其次对拉曼光谱做背景扣除、 光谱平滑、 最大值谱线归一化三步预处理, 以降低实验中不可控的外界因素及背景荧光的影响, 准确提取光谱特征峰强度信息; 然后根据纯种油中3种脂肪酸的国际标准含量, 结合国家食品法典委员会标准CODEX STAN210—1999《指定的植物油法典标准》中规定的纯种油密度中值, 由油品体积得到脂肪酸质量数; 随机选取56组样本数据作为训练集, 剩余10组样本数据作为预测集; 以训练集光谱特征峰强度和脂肪酸质量分别作为回归模型的输入及输出值, 建立SVR和PSO-SVR, ABC-SVR三种混合优化算法对比的定量分析模型, 对测试集的3种脂肪酸含量分别进行预测; 最后通过均方误差(MSE)、 相关系数(r)及建模时间(Elapsed time)分别进行对比, 建立数据表对模型精准度进行检验。 实验结果表明, 通过ABC-SVR定量分析模型效果最佳, 3种脂肪酸含量预测值与真实值的均方差分别为0.88×10-4, 16×10-4和8×10-4, 均低于0.002; 相关系数分别为93.43%, 99.65%和99.43%, 均高于93%; 预测时间(Elapsed time)分别为1.26, 2.42和2.14 s。 因此, 所提出的检测方法, 具备较高的精确度、 较快的建模时间, 且在理论上的类似条件下可适用于其他样品检测工作, 可为振动光谱学对食用油掺伪分析的进一步工作提供可行的理论依据。

水作为生命之源与人类的生存息息相关, 近年来关于水环境污染的报道越来越多, 不容忽视。 实验以萘酚的两种同分异构体1-萘酚、 2-萘酚的混合物作为研究对象, 提出了一种新的算法, 通过对混合物的三维荧光光谱进行分析来实现水中萘酚的定性定量分析。 利用FS920稳态荧光光谱仪对配制的混合溶液进行扫描得到荧光光谱数据, 并对数据进行一系列的预处理去除拉曼散射和瑞利散射的影响。 将解决盲源分离(BSS)问题的独立成分分析（ICA）算法应用到荧光光谱定性定量分析问题当中, 盲源分离技术就是将测量得到的混合信号作为处理对象进行分解, 实现未知系统中源信号的求解, 并得到混合矩阵。 对混合物中单一物质的识别与测量与盲源分离问题类似。 采用基于负熵最大的快速独立成分分析（FastICA）算法对实验数据进行分解, 将所有样本的三维荧光光谱数据沿发射波长方向展开成为向量, 得到一个大小为（N×M）的矩阵（N为样本数, M为波长数）, 将该矩阵作为快速独立成分分析的输入进行独立分量提取, 输出分别为单组分物质的展开荧光光谱和混合矩阵。 FastICA算法的关键是利用牛顿迭代算法得到解混矩阵, 但迭代过程中复杂的求导问题会使计算量增大、 迭代速度减慢, 针对该算法存在的问题, 提出用差分法（又称为双点弦截法）代替求导的解决方法。 为了验证算法的可行性, 用改进后的算法和原有算法分别对荧光光谱数据进行了五次独立分量提取实验, 原有算法平均运行时间为17.78 s, 而改进后的算法平均运行时间为3.22 s, 比原有算法提高了14.56 s, 有效地减少了计算量, 改善了FastICA算法的迭代速度并且使其收敛性更加稳定。 通过实验结果可以看出改进后的算法得到的光谱更接近真实的光谱。 利用快速独立成分分析算法分解得到的混合矩阵与物质浓度相关, 这是物质定量分析的依据, 但它们之间的关系可能是非线性的, 采用能实现非线性拟合的支持向量回归机（SVR）进行回归预测, 将混合矩阵和实际浓度矩阵分别作为SVR的输入和输出, 利用遗传算法（GA）对支持向量回归机的参数进行优化选择, 并选择径向基核函数（RBF函数）作为SVR的核函数, 建立回归模型, 实现对荧光光谱的定量分析。 1-萘酚的拟合相关系数（r）为0.998 6, 样品回收率（Recovery rate）为96.75%～104.2%, 预测均方根误差（RMSEP）为0.119 μg·L-1; 2-萘酚的拟合相关系数为0.998 8, 样品回收率为96.8%～105.5%, 预测均方根误差为0.1 μg·L-1, 预测结果比较令人满意, 符合预测要求。 实验证明改进的基于负熵最大的FastICA-SVR算法能实现对混合物中1-萘酚、 2-萘酚准确有效的识别和测量, 并且改进之后加快了算法的分解速度。

针对目前霾检测方法实时性差且成本较高的问题, 提出一种基于图像能量与对比度的霾检测方法。首先, 对CMOS相机拍摄的图像进行预处理。由于相机受外界影响会出现轻微摆动, 故需对图像进行配准; 其次, 在图像的关键区域中获取目标与水平天空背景的对比度和图像能量两个特征向量; 再次, 将对比度、图像能量、环境湿度作为输入, 将激光粒子计数器测得的实时PM10浓度作为输出, 进行支持向量回归训练, 建立图像和PM10浓度间的关系模型; 最后, 根据得到的模型计算待测图像所对应的PM10浓度。将该方法检测的PM10浓度与激光粒子计数器测得浓度值进行对比, 实验表明该方法检测结果的平均相对误差在10%以内, MSE为0.006 2, 表明预测值与真值拟合程度较好,模型检测的精度较高。在此基础上增加训练样本可进一步提高模型精度。此外, 该方法可针对不同待测环境建立相应的关系模型, 具有较强的灵活性。

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题, 研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题, 将分类样本作为回归输入, 样本的类别标识作为回归输出, 通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数, 对其输出取整后即可得到样本类别。该算法仅使用1个分类器, 明显简化了分类过程。另外, 引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证, 并将改进算法与传统算法作对比, 结果表明改进算法在分类速度和准确率上都有显著提高。

由于一些传统的超分辨率重建算法学习多幅不同类别的图像仍无法获得好的重建效果, 本文提出了一种基于支持向量回归机和光栅扫描的单帧图像超分辨率重建算法。该算法首先采用光栅扫描法对一组高低分辨率训练图像提取图像块, 从块中分别抽取输入向量和标签像素。利用Log算子判断这些块是属于高频空间还是低频空间, 从而构建高低频空间向量对并对其进行优化。然后, 用支持向量回归机(SVR)工具训练优化后的向量对, 得到高低频空间下的两个字典;抽取测试低分辨率图像中的块并得到高低频空间下的输入向量, 利用SVR工具回归对应的属于超分辨率图像块的标签像素并得到回归后的图像。最后, 对图像进行后处理得到最终的超分辨率图像。与其它算法的对比实验表明: 提出的算法具有较好的视觉效果。特别在放大倍数为2时, 提出的算法在不同图像上的峰值信噪比(PSNR)和结构相似度(SSIM)值较双三次插值法分别提高了3.1%~5.3%和1.5%~8.1%。得到的结果显示提出的算法获得了更好的重建效果。

为实现汽油中所含组分含量的快速测定, 对93号、 97号汽油, 芳烃、 烯烃、 苯、 甲醇、 乙醇等几类物质, 以及往汽油中添加几类物质后的410个汽油混合物进行拉曼光谱检测。 将获取的原始拉曼光谱经过有效波段提取、 平滑去噪、 基线扣除、 数据归一化等一系列预处理过程, 最终提取出每个汽油混合样品光谱中所含的33个特征峰信息, 依据现行的国标检测方法, 以气相色谱法测定的汽油中各组分含量值为基础, 结合化学计量学多重回归分析方法, 建立了汽油组分含量测定模型。 经过比较, 使用多输出最小二乘支持向量回归机(MLS-SVR)建立的模型优于偏最小二乘(PLS)模型。 MLS-SVR模型对汽油中芳烃、 烯烃、 苯、 甲醇、 乙醇测定精度均较好, 预测均方根误差(RMSEP)分别为0.27%, 0.30%, 0.16%, 0.17%, 0.12%; 相应的相关系数(r)为0.999 2, 0.998 4, 0.998 5, 0.992 6, 0.996 8。 通过对未知混合汽油样品的测定, 证明了该方法具有较好的推广预测精度, 预测均方根误差不超过0.5%, 能够满足工业中的测量需求。 拉曼光谱结合多输出最小二乘支持向量机为汽油组分测定提供了一种高精确、 快捷、 方便的测定方法。

为了实现光学元件精密检测平台定位误差的自适应补偿, 以保证在不同的检测环境中平台能够自行保持高精度, 提出了基于检测环境监测和支持向量回归机的定位误差自适应补偿方法。首先, 以多组检测环境中温度、湿度和气压的具体测量值作为训练数据, 利用支持向量回归机建立定位误差最大值的预测模型, 进行最大值预测。然后, 将最大值同温度、湿度、气压等环境因素和位置信息一起作为训练数据, 迭代使用支持向量回归机, 建立任意位置定位误差预测模型。最后, 将预测到的定位误差值传入检测平台控制器中进行补偿。应用雷尼绍激光干涉仪, 温度、湿度和气压传感器等仪器设备, 在光学元件精密检测平台上进行了具体实验。实验结果表明该技术切实可行, 预测数据与实测数据差值绝对值的平均值为0.88 μm, Pearson相关系数的平方为0.99, 自适应补偿后平均定位误差由43 μm降为1.4 μm。