针对古青铜器年代鉴别任务需要大量的相关史料、鉴别耗时长以及主观性强等问题，提出一种新思路用于辅助考古专家对古青铜器进行分析和年代鉴别。所提方法在图像分类预训练权重的基础上应用深度学习方法对古青铜器进行年代鉴别：首先，通过大量的基础实验，在较为有代表性的4种网络模型中选出鉴别结果较好的EfficientNetV2-L作为基线模型；接下来，使用EfficientNetV2-L对古青铜器数据集进行特征提取；然后，将原有的线性分类层替换为cosin_classifier，减小方差带来的风险，提高模型鉴别能力；最后，引入Focal损失函数替换原有的交叉熵损失函数进行损失计算，在聚焦因子（focusing parameter）和加权因子（class weighting）作用下有效地改善样本数量较少类别所导致的模型学习效果较差的问题。所提方法较原始EfficientNetV2-L在准确率、精确率、召回率、F1分数和曲线下面积等指标上提高4.1百分点、4.0百分点、4.1百分点、4.2百分点和0.9百分点，在测试集上取得91.7%的最优准确率。在此基础上，还对分期有争议的青铜器进行了模型预测分析。结果表明，深度学习技术在古青铜器数据集年代鉴别任务上是有效的，可提供参考分析数据，减轻考古专家的工作强度。

为了探究一种快速、准确的含钩吻蜂蜜的检测方法, 通过中红外(MIR)光谱仪采集了来自不同地区的216个无毒、含钩吻有毒的蜂蜜样品的MIR光谱图像, 选取光谱图像的800~1 800 cm-1波段作为主要研究波段, 应用主成分分析法并结合偏最小二乘回归(PLS-DA)算法建立有无钩吻鉴别模型, 比较不同数据预处理方法的预测结果。仿真结果表明: 经一阶导数预处理后建立的蜂蜜有无钩吻鉴别模型的鉴别效果最佳, 鉴别准确率达到90.74%。

针对数字射频存储器(DRFM)等转发式极化调制假目标干扰的鉴别问题, 提出一种极化调制假目标鉴别方法。首先, 提出极化圆阵的时-空联合域编码的极化测量模型, 并证明了该模型经脉冲压缩后能够准确获得回波的极化信息; 其次, 根据极化雷达的张量积接收模型原理, 得到了目标和极化调制假目标回波在四维复空间的分布差异; 最后, 基于该差异, 结合最大最小距离算法和密度法思想, 对K-means算法进行了改进, 设计了以最佳聚类数K值大小为极化鉴别量的分类器。仿真实验以64个发射脉冲为例, 验证了所提鉴别方法在不同信噪比(SNR)和干噪比(JNR)下均有良好的鉴别效果, 可有效鉴别目标和极化调制假目标。

确定中药品种是确保中药材质量的第一关。为探索中草药品种的快速鉴别方法，本文应用太赫兹光谱技术结合模式识别方法对 6种中草药进行分类鉴别。采集了白附片、大黄、党参、陈皮、麦冬、天麻等 6种常用中草药，共得到 420组太赫兹光谱数据，在 0.2~1.5 THz波段分别采用支持向量机 (SVM)、主成分分析 (PCA)和支持向量机相结合、线性判别分析(LDA)结合支持向量机等方法对 6种中药材进行了定性鉴别分析。结果表明，太赫兹光谱数据结合线性判别分析和支持向量机建立的 LDA-SVM中草药品种识别模型最优，模型准确率达 100%，对未知样本的鉴别准确率达 98.41%。本文的 LDA-SVM模型具有较好的鉴别能力，能快速准确地鉴别出中药材的品种，为中草药的质量控制提供了又一鉴别手段。

针对大多数基于 GAN的红外与可见光图像融合方法仅在生成器使用注意力机制，而鉴别阶段缺乏注意力感知能力的问题，提出了一种基于双注意力机制生成对抗网络（double attention generative adversarial networks,DAGAN）的红外与可见光图像融合方法。 DAGAN提出一种多尺度注意力模块，该模块在不同尺度空间中将空间注意力和通道注意力结合，并将其应用在图像生成阶段和鉴别阶段，使生成器和鉴别器均能感知图像中最具鉴别性的区域，同时提出了一种注意力损失函数，利用鉴别阶段的注意力图计算注意力损失，保存更多目标信息和背景信息。公开数据集 TNO测试表明：与其他 7种融合方法相比， DAGAN具有最好的视觉效果与最高的融合效率。

玉米是我国重要粮食作物之一, 在我国广泛种植, 筛选优良的玉米品种是农业生产和育种的关键, 但市场上玉米品种繁多, 如何快速准确高效鉴别玉米品种从而实现玉米高产高收亟待解决。 提出了基于高光谱图像技术的极限学习机(ELM)鉴别模型, 以期解决玉米品种鉴别问题。 以八个品种玉米种子作为研究对象, 试验样本共480个, 按2∶1比例划分为训练集和测试集, 分别为320个和160个。 利用高光谱图像采集系统获取935.61～1 720.23 nm范围内的玉米种子图像, 黑白校正后选取胚芽部位大小为10×10 pixel的感兴趣区域(ROI), 提取该区域内平均光谱作为原始光谱数据。 因原始光谱两端噪声较大, 有效信息较少, 为增强信噪比, 截取949～1 700 nm范围内的玉米种子光谱波段作为有效波段进行分析。 由于数据采集过程中受无关信息干扰较强影响建模效果, 故对去噪后的光谱波段信息进行SG平滑(Savitzky-Golay smoothing)预处理, 将平滑点数设置为3, 在SG平滑基础上进行最大归一化(MN)预处理。 预处理后分别采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)单一提取和CARS+SPA、 CARS-SPA组合筛选方法提取特征波长, 以特征波长反射率作为输入矩阵X, 预设样本类别1、 2、 3、 4、 5、 6、 7、 8作为输出矩阵Y, 利用极限学习机分别建立(SG+MN)-ELM、 (SG+MN)-CARS-ELM、 (SG+MN)-SPA-ELM、 (SG+MN)-(CARS+SPA)-ELM、 (SG+MN)-(CARS-SPA)-ELM五种玉米品种定性鉴别模型。 试验结果表明: (SG+MN)-(CARS-SPA)-ELM模型较其他四者鉴别效果最佳, 训练集和测试集平均鉴别准确率均为98.13%, 表明CARS-SPA二次筛选的特征波长变量更敏感, 能够代表所有波长信息, 且极限学习机模型有较好的定性鉴别性能, 可实现对玉米品种的鉴别。 该研究为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。

因缺乏大米产地快速鉴别的确证技术, 利用近红外光谱法、 中红外光谱法及拉曼光谱法结合化学计量学分析方法对来自五常地区、 东北地区和南方地区共计186份大米样品进行产地鉴别研究。 首先比较了K近邻法(KNN)、 线性判别分析(LDA)和最小二乘-支持向量机(LS-SVM)3种算法结合5种预处理方法, 对3种单一光谱大米产地鉴别模型的识别效果。 结果表明, LS-SVM算法结合SNV+2nd预处理方法的拉曼光谱模型最优, 校正集和验证集准确率分别为100%和93.48%。 为进一步提升鉴别模型的准确度, 创新性的建立了基于近红外光谱-中红外光谱-拉曼光谱法的数据层融合、 特征层融合及决策层融合大米产地鉴别模型, 结果显示, 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升。 数据层融合大米产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法模型最优, 校正集和验证集正确率分别为100%和95.65%, 较单一光谱最优模型验证集正确率提高了2.17%。 决策层融合鉴别模型中, LS-SVM算法结合SNV+1st预处理方法模型最优, 校正集和验证集正确率分别为100%和97.83%, 较单一光谱最优模型验证集正确率提高了4.35%。 特征层融合产地鉴别模型中, LS-SVM算法结合SNV+2nd预处理方法鉴别模型最优, 其校正集和验证集正确率均达到100%, 较单一光谱最优模型验证集正确率提高了6.52%。 结果表明, 使用近红外光谱法、 中红外光谱法及拉曼光谱法分析技术结合化学计量学方法鉴别大米产地是可行的, 拉曼光谱法结合LS-SVM算法的大米产地鉴别模型最优。 3种层次的光谱信息融合模型识别正确率较单一光谱模型大大提升, 其中特征层融合方法更适用于该次融合的数据类型, 可以快速准确鉴别五常大米、 南方大米和东北大米产地。 该研究为大米产地的快速准确鉴别提供了一种新方法。

高危阿片类毒品海洛因的泛滥, 对国家安定、 社会经济和人民生命财产安全带来了巨大的危害。 高效、 准确的海洛因及其代谢物的检测鉴定方法在打击毒品犯罪, 处理涉毒案件以及公安禁毒工作中具有十分重要的意义。 表面增强拉曼光谱（SERS）兼具检测速度快、 操作简便、 灵敏度高、 指纹识别及无损检测等优点, 能够实现对毒品的高效、 便携检测。 若结合模式识别技术, 可提高数据处理效率、 避免人为错判的发生, 进而实现自动精确分类识别的目的。 针对溶液中微/痕量海洛因及其代谢物, 提出了基于Au/SiO2复合纳米球阵列（Au/SiO2 NSA）的SERS检测与模式识别相结合的方法, 实现对它们的灵敏检测与高效鉴别。 首先, 采用气-液界面自组装和磁控溅射沉积的方法制备了具有良好SERS活性和结构一致性的Au/SiO2 NSA, 以此为SERS基底（芯片）, 结合便携式拉曼光谱仪, 成功实现了对水溶液中海洛因及其主要活性代谢物（6-单乙酰吗啡（6-MAM）和吗啡）的灵敏检测, 检测限低至10-4 mg·mL-1。 然后, 利用模式识别技术中的系统聚类分析（HCA）、 主成分分析（PCA）和支持向量机（SVM）对所获得的谱图数据进行定性/定量分类识别。 结果表明, 在HCA和PCA均能准确分类的基础上, 采用基于径向核函数、 线性核函数、 多项式核函数、 S型核函数中任意一种建立的PCA-SVM模型, 均能够100%地对海洛因、 6-MAM和吗啡进行定性识别； 选取基于径向核函数的SVM模型, 对不同浓度海洛因定量区分的准确率可达90.1%； 而通过基于线性核函数的SVM模型, 对不同浓度6-MAM和吗啡的判别准确率分别为84.8%、 70.2%。 这项工作不仅为基于SERS的灵敏检测与精准鉴别提供了一种具有实用价值的高质量基底（芯片）, 也为对海洛因及其代谢物进行准确的分类及识别给出了可行的方案。

不同产地丹参药材的质量差异显著, 亟需建立准确、 快速的分析鉴别方法, 对丹参药材的产地进行识别。 激光诱导击穿光谱（LIBS）具有快速、 实时、 高效、 等特点, 克服了传统分析方法时间长、 程序复杂等问题。 人工神经网络（ANN）方法则具有强大的学习和泛化能力, 是一种快速、 准确的分析方法。 采用LIBS技术结合ANN方法构建了对不同产地丹参药材的鉴别方法。 实验首先收集来自安徽、 甘肃等六个不同产地的丹参样品, 并通过LIBS光谱仪对丹参样品进行光谱采集； 之后对丹参LIBS光谱的元素特征峰进行比对, 发现不同产地丹参样品的元素发射谱线强度存在着差异, 如Fe元素（238.20, 373.71 nm）和Ca元素（315.89, 317.93 nm）等； 采用最大最小归一化（MMN）、 标准正态变换（SNV）、 均值中心化（MC）、 Savitzky-Golay平滑滤波（SG）以及多元散射校正（MSC）五种预处理方法对LIBS光谱数据进行预处理优化, 减少光谱噪声以及其他干扰信息的影响； 最后分别搭建ANN分类模型, 从测试集分类准确率、 每类产地的敏感性、 精确率和特异性等方面进行比较, 选择最优模型。 基于原谱的ANN模型测试集分类准确率为94.24%； SNV、 MC两种方法并没有提升ANN模型的分类能力； MMN、 SG及MSC三种预处理方法均提升了ANN的分类效果。 SG-ANN模型取得了最佳鉴别效果, 外部测试集分类准确率为98.15%, 同时具有更高的敏感性、 精确率和特异性, 其中, 安徽、 河南两地丹参样品的判别结果最好, 敏感性、 精确率及特异性均达到100.00%, 其余四种产地丹参样品的敏感性、 精确率及特异性也在95.00%以上。 该结果表明, 选择合适的光谱预处理方法, 能显著提升ANN模型对于丹参产地的预测分类能力, 构建一种相关性更强的定性分析模型。 研究结果表明LIBS技术结合人工神经网络方法是一种很有前景的丹参药材分析鉴别方法, 为中药材质量监督体系提供一种新思路。

为提高利用红外光谱数据鉴别中药材产地的预测模型效果, 应该选用合适的数据预处理方法和合适的算法。 针对具有3 448个特征（波长551～3 998 nm）的658条红外光谱中药材数据, 借助于支持向量机(SVM)算法, 研究了10种基于样本预处理方法（不做预处理、 最大最小归一化、 标准化、 中心化、 移动平均平滑、 SG平滑滤波、 多元散射校正、 正则化、 一阶导数和二阶导数法）与5种基于特征波长预处理方法（不做预处理、 中心化、 最大最小归一化、 标准化和正则化）的组合（共50种）对产地模型预测精度和稳定性的影响。 结果表明: 合适的数据预处理对提高模型精度是必要的; 标准化和最大最小正则化方法光谱的预处理建模效果较好, 其预测系数值约85%; 基于特征的预处理对模型预测效果改进小。 只做光谱预处理或基于特征预处理的预测稳定性值近似相等（两类方式的决定系数平均值都近64%）; 基于样本+特征的组合预处理方法中, 二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好, 其决定系数R2达到近94%; 而中心化+正则化组合处理达不到直接采用原始数据（不做数据预处理）的建模效果, 该方法预测效果最差。 该研究的方法和结论为具有高维光谱特征的药材产地鉴别和选取有效的预处理方法提供了参考, 对进一步分析药材药效和化学成份有重要的意义, 也可供其他光谱数据分析借鉴。 也为高维小样本数据建模的前期数据处理提供了思路。