在近红外光谱数据相似性测度时, 由于光谱数据高维、 非线性、 重叠等特点, 会出现测度距离失效、 数据信息处理困难等难题。 针对传统相似性测度方法在高维空间出现的不适应性, 提出了基于邻近集计算的光谱相似性测度方法。 首先, 采用邻域保持投影neighborhood preserving projections(NPP)算法对原始光谱数据进行降维处理, 该降维方法可以很好的保留原始光谱数据非线性结构信息和数据点的邻域信息。 然后, 在光谱数据降维后的低维空间中, 采用改进的邻近集计算方法, 实现对近红外光谱数据的相似性测度。 实验结果表明, 基于邻近集计算的光谱相似性测度方法, 有效的实现了光谱数据的相似性测度, 在烟叶风格判定和品质分析方面有较好的应用前景, 同时也为高维光谱数据相似性测度提供了一个良好的解决方法。

流形学习的提出和发展为毫米波雷达目标识别提供了新的思路。针对传统特征提取算法的不足, 提出了一种基于核的非线性流形学习算法,即核不相关邻域保持投影(KUNPP)。该算法在邻域保持投影的基础上引入再生核, 将数据映射到Hilbert空间; 在Hilbert空间内执行邻域保持投影算法, 并引入不相关约束, 使得到的特征向量具有不相关性, 减少冗余信息。将KUNPP应用于毫米波雷达目标识别, 仿真数据集和实测数据集的实验结果均表明算法能取得较好的结果。