由于分子结构的高相似性, 烃类气体混合物中各组分红外光谱谱峰重叠严重, 导致浓度的精确监测一直是化学计量学的难题。 为了应对这一挑战, 提出一种粗精选策略二进制灰狼优化（RSBGWO）算法, 用于优选红外光谱特征, 建立高精度定量分析模型。 该方法以交叉验证下光谱定量分析模型的均方根误差（RMSECV）平均值作为适应度函数值。 在粗选阶段, 进行第一次全局迭代, 更新α狼、 β狼和δ狼所选特征变量的位置信息； 在精选阶段, 结合α狼所选的特征变量以及剔除α狼未选中特征变量位置后的β狼和δ狼特征变量, 更新狼群位置信息, 逐步降低RMSECV值, 提取为全局最优特征波长, 并引入非线性收敛因子加快收敛速度。 该算法在采集的359个混合烷烃气体样本的红外光谱数据集上进行了实验测试并验证了所提算法的效果。 与bGWO和bPSO特征提取算法比较, 基于本文提出的RSBGWO算法建立的MLR模型在分析甲烷、 乙烷、 丙烷和二氧化碳气体浓度时, 特征选择数量均降低了96%以上, 预测均方根误差（RMSEP）均低于数据采集过程中所使用的配气系统的仪器误差, 相对预测偏差（RPD）均提高了15以上。 相对于全谱建模的MLR模型和PLS模型, 基于RSBGWO算法建立的MLR模型和PLS模型的预测精度有显著增高, 预测效果对定量分析模型的依赖性降低了。 实验结果表明, 提出的方法具有优秀的红外光谱特征提取能力, 能够明显提高定量分析模型的预测效果。 该方法能够促进光谱检测技术在生物制药、 食品化工、 油气勘探等领域的应用, 尤其是在含同系有机物混合物的应用场合。

针对多传感器管道缺陷检测数据融合精度不高的问题，提出了一种改进鸟群算法（IBSN）与加权正则化极限学习机（WRELM）相结合的多传感器检测管道缺陷数据融合方法。首先，利用电磁超声导波、漏磁以及涡流检测设备采集管道缺陷数据，将高斯核函数样本权重矩阵和正则化参数引入极限学习机中，建立WRELM数据融合模型；而后，通过引入混沌变量和高斯扰动、优化警惕行为以及改变飞行行为中步长因子来优化鸟群算法，采用IBSA优化WRELM输入层到隐含层的连接权值和隐含层的偏置；最后，利用多仪器检测管道缺陷数据融合平台进行实验分析。实验结果表明：采用IBSA-WRELM的多仪器检测管道缺陷数据融合模型的误差最小，仅为2.33%，有效提高了多仪器检测管道缺陷数据的融合精度。