高光谱分析能够高效的估算土壤有机碳含量, 连续小波变换(CWT), 在高光谱数据的噪声去除和有效信息提取方面具有独特优势, 但是经过连续小波变换后的光谱数据被分解为多个尺度, 单一分解尺度信息不能代表不同分解尺度信息, 如何充分利用多分解尺度的小波系数, 成为高光谱估算土壤有机碳含量的难题。 博斯腾湖是我国最大的内陆淡水湖, 湖滨绿洲作为重要的水陆交错带, 具有独特的空间结构和时间结构, 在维持和恢复湖泊生态系统健康方面发挥着重要作用。 以博斯腾湖湖滨绿洲为研究区, 于2020年10月采集138份深度为0~20 cm表层土壤样本, 剔除3个异常值样品, 得到135个有效样品, 室外采集土壤样本光谱, 并通过重铬酸钾－外加热法测定土壤有机碳含量; 将土壤样本的光谱反射率进行Savitzky-Golay平滑滤波处理, 以Gaussian4为小波基函数进行连续小波变换, 将土壤高光谱数据转换为10个分解尺度的小波系数。 利用相关性分析法(CC)、 稳定自适应重加权采样(sCARS)、 竞争自适应重加权采样(CARS)、 连续投影算法(SPA)、 遗传算法(GA)等5种特种波段筛选方法进一步降低噪音, 消除冗余信息, 逐尺度计算小波系数的均方根作为小波能量特征(EF), 将10个尺度的小波能量特征组成小波能量特征向量(EFV), 基于小波能量特征向量建立BP神经网络模型(BPNN)。 结果表明, 连续小波变换可以有效提高光谱反射率与土壤有机碳含量间的相关性, 1~3分解尺度相关性较差, 4~10分解尺度的相关性较好, 相关系数平均值提升43.66%, 相关系数最大值平均提升67.93%。 CC算法筛选的特征波段主要分布于在400~1 500 nm可见光及近红外短波; sCARS、 CARS算法筛选的特征波段集中于1 500~2 500 nm近红外长波; SPA算法筛选的特征波段集中于760~2 500 nm近红外波段; GA算法得到的特征波段基本均匀分布于400~2 500 nm。 高光谱小波能量特征向量EFV可以较好估算湖滨绿洲表层土壤有机碳含量, 6种模型的训练集与验证集R2平均值分别为0.73、 0.74, RMSE平均值分别为7.64、 7.28, RPD平均值为1.95。 模型精度表现为, CC-EFV-BPNN＞sCARS-EFV-BPNN＞Full-spectrum-EFV-BPNN＞CARS-EFV-BPNN＞GA-EFV-BPNN＞SPA-EFV-BPNN。 连续小波变换结合特征变量筛选方法, 提取小波能量特征向量EFV, 有效降低光谱数据维度与高光谱小波能量特征向量模型复杂度, 对于快速估算表层土壤有机碳含量具有重要参考价值。

针对空间域图像融合存在不同图源差异性信息提取、融合权重选取困难等问题, 提出了一种新 的空间域图像融合算法。利用矩阵相似的基本原理, 对红外图像矩阵进行对角化变换, 计算可见光图 像矩阵在主要特征向量上的映射, 采用加权融合的方法处理特征值矩阵, 对融合矩阵进行对角化逆变 换重构融合图像。实验结果表明, 算法在充分保留源图像有效信息的同时, 融合图像的整体灰度得到 了明显的改善, 具有良好的图像质量评估指数和更加优秀的视觉效果。

本文针对电力设备红外图像诊断中热故障特征提取和数字化表达难题，提出一种多属性融合的电力设备红外热特征数字化方法。通过对电力设备热故障特性和相关诊断文件研究分析，在对图像预处理的基础上，提取图像中关键发热区域的热点温度、热点温差、发热面积、位置信息以及热点群聚现象等热属性值，构建多属性信息融合的过热性故障特征值向量，实现热故障特征数字化描述。以断路器为例对该方法进行了验证分析，结果表明，该方法对典型红外故障图谱具有良好的描述能力，可用于后续大量复杂故障样本情况下的设备热故障智能分类与诊断应用中。

煤炭是我国重要的自然资源, 在工业和国民经济发展上起到重要的作用。 在井下开采过程中, 传统的人工识别煤岩界面采煤机切割煤岩效率较为低下, 识别准确度较差, 存在较多不确定因素。 “无人化”逐渐成为未来井下开采的技术发展趋势。 实现无人开采首先需要准确高效的确定煤岩界面, 煤岩识别的算法将成为无人化设备的“大脑”。 高光谱是近年来发展迅速的一种新兴的技术, 在物质识别、 分类中具有广泛的应用之处。 以高光谱作为煤岩识别的技术手段, 采集煤岩高光谱数据, 通过对高光谱特征波段的提取来设计算法实现煤岩的识别。 煤岩识别是基于煤岩组分的不同, 建立在对煤岩的物质构成属性特征上的。 煤与岩石元素组分中Al元素的存在形式不同, 煤样中的Al元素的存在形式为Al2O3, 而岩样中Al元素的存在形式为Al(OH)3。 Al—OH的晶格的振动使得其在2 130～2 250 nm波段产生强吸收峰, Al2O3在此波段间不具有强吸收峰, 因此以2 130～2 250 nm作为光谱波段设计算法。 以淮南地区矿区为研究区, 在多个矿区进行采样, 获取焦煤、 气煤、 瘦煤等煤样23组; 获取底板泥岩、 砂岩、 页岩等岩样25组。 对样品进行研磨处理后使用美国ASD公司生产的FieldSpec4光谱仪, 采集煤与岩石样本350～2 500 nm间的反射光谱, 通过预处理之后使用连续统去除法、 一阶微分法、 二阶微分法和SCA-SID模型法对煤岩特征波段2 130～2 250 nm进行特征提取, 将提取到的特征向量用随机森林和SVM算法进行训练并将模型应用在测试集上进行分类。 最终, 测试集上的表现良好, 整体识别率较高, 一阶微分和连续统去除法的识别为83.3%, Kappa系数分别为0.66和0.68。 二阶微分法和SCA-SID模型法的识别率都在90%以上, Kappa系数均为0.83。 从模型的时间复杂度和空间复杂上来说, 二阶微分法较SCA-SID模型法更具有高效性和可靠性。 这些识别的方法为实际工程中井下自动化煤岩识别技术提供了应用参考。

星图识别的速度决定了姿态更新率。针对基于对数极坐标变换的星图识别算法的循环位移带来的耗时问题,提出了一种改进算法。首先寻找距离视场中心最近的星点来构造新的直角坐标系,并转换为极坐标,然后将星点坐标投影至距离轴,构造星模式的特征向量。由于极坐标变换在距离轴上具有旋转不变性,所以避免了循环位移带来的耗时问题。仿真表明,所提算法平均识别时间减少到传统算法的8.4%,受到位置噪声影响时的识别率下降趋势更小,受到伪星和缺星影响时的识别率依旧高于传统算法。由于受到噪声影响时星模式相较于由恒星构成的三角形模式改变较大,所提算法的识别成功率总体上仍会低于三角形识别算法。

针对Receptive Fields Network(RF-Net)中存在网络较浅、缺乏深层语义信息的问题, 提出了一种基于Residual Network(ResNet)和RF-Net的改进网络用于遥感影像匹配。首先, 通过对真实遥感影像进行裁剪、光照变换和仿射变换处理, 得到图像对并计算同一序列中不同图像间的单应性矩阵, 构建了一个遥感影像数据集。然后, 提出了一种双通道的网络结构用于关键点检测, 该双通道网络由Receptive Fields Detection(RF-Det)和ResNet构成, 前者提取含有细节信息的浅层特征图, 后者提取含有语义信息的深层特征图。此外, 采用特征描述子提取网络L2-Net, 得到128维特征向量用以描述关键点。最后, 分别采用最近邻、带阈值的最近邻和最近邻距离比的策略对特征描述子进行匹配。实验结果表明, 该网络在仅含光照变换、仅含仿射变换和同时包含这两种变换的遥感影像数据集上的匹配得分, 比RF-Net分别提高了0.002, 0.117, 0104, 在关键点检测和匹配精度方面具有更优的性能。

点云分类是机载LiDAR点云应用于城市建模、道路提取等的重要阶段。虽然点云分类的方法有很多,但依然存在如多维特征向量信息冗余、复杂场景下点云分类精度不高等问题。针对这些问题,提出一种基于多基元特征向量融合的点云分类方法。该方法分别基于点基元和对象基元提取特征向量,并结合色彩信息,利用随机森林对点云数据进行分类。实验结果表明,所提的多基元分类方法相较于单基元分类方法能够获得更高的分类精度。为了进一步分析随机森林用于点云分类的有效性,分别使用支持向量机(SVM)以及反向传播(BP)神经网络进行对比分析。实验结果表明,随机森林方法所获得的三组点云分类结果在召回率以及F1得分两个评价指标中均高于另外两种方法。

空间中不同的目标具有不同的物理与几何特性, 雷达反射截面积(RCS)是空间目标的重要特性之一, 利用 RCS对雷达观测目标进行区分是雷达数据处理的重要手段。利用线性预测编码(LPC)技术对 RCS测量数据进行处理, 计算 RCS的 LPC系数, 以该系数作为特征向量, 对目标进行二分类识别率基本可以达到 80%~90%以上, 三分类识别可以达到 50%~ 80%以上, 可以有效提高雷达跟踪目标的自动分类, 实现高效半自动或自动跟踪。

为了改善光纤通信系统故障诊断效果, 设计了一种基于模式识别的光纤通信系统故障诊断模型。首先提取光纤通信系统故障诊断的特征向量, 然后采用模式识别技术中的最小二乘支持向量机构建光纤通信系统故障诊断分类器, 最后采用具体光纤通信系统故障诊断实例对模型性能进行测试。结果表明, 设计模型的光纤通信系统故障诊断率超过90%, 诊断效率较传统系统改善明显, 且故障误诊率明显低于对比模型。