激光回波易被噪声污染, 被干扰或遮挡时会出现数据缺失。针对该问题, 提出一种基于贝叶斯因子分析(Bayesian factor analysis, BFA)模型的激光回波信号增强算法。首先利用因子分析(factor analysis, FA)模型对激光回波进行建模, 从而将信号增强问题转换为对模型参数的求解问题；然后将自动相关确定(automatic relevance determination, ARD)理论引入FA模型, 实现对因子个数的自适应寻优；最后采用变分贝叶斯期望最大(variational Bayes expectation maximization, VBEM)算法对模型参数进行迭代更新, 在贝叶斯后验概率最大准则下实现激光回波的噪声抑制和缺失样本恢复。基于实测数据开展试验, 在低信噪比和数据随机缺失情况下, 所提方法能够获得较好的噪声抑制性能和较高的缺失样本恢复性能, 从而保证后续信号处理能够准确采集到回波中的高价值信息。

基于光谱技术建立的多元校正模型通常条件下只适用于同一台仪器、 相同的测试条件及同批次或同类别的样品。 在仪器、 测试环境、 样品发生变化后, 已建光谱模型不再适配, 需要进行模型转移。 模型转移是限制光谱技术推广应用的关键技术瓶颈, 模型转移是否成功直接影响到可见-近红外光谱技术的推广应用, 为此, 综述了其研究现状, 并探讨了其未来发展方向。 首先, 将模型转移问题分成了两类: 第一类是相同样品在不同仪器或不同测试环境（不同温度/不同湿度）等条件下产生的模型不适配问题; 第二类是不同批次、 不同物理形态、 不同种类间产生的模型不适配问题。 这两类问题性质不同, 解决第一类模型转移, 能够保证同源样品的准确性和稳定性; 解决第二类, 能够实现光谱模型在不同样品间的自动传递和匹配应用。 然后, 梳理了常用的模型转移算法并进行了分类, 包括模型更新、 基于光谱校正算法、 基于结果校正算法等, 并列举了每个类别的模型转移算法的应用。 模型更新是一种重新计算模型系数最直接的方法, 通过扩展和调整模型来满足新的变化; 基于光谱校正算法是通过算法计算转移矩阵, 实现对光谱的校正; 基于结果校正算法是通过算法计算预测结果和实际结果系数, 从而实现预测结果的校正。 最后, 指出未来应着重研究第二类模型转移问题, 并且要寻找能够实现机器自动校正的模型转移, 从根本上解决模型转移这一限制光谱速测应用的主要技术瓶颈。

提出一种基于相位差异法的衍射光学系统波前反演误差分析方法。从衍射光学系统波前反演模型出发,分析了产生波前反演误差的物理因素;对各影响因素进行了理论建模,建立了衍射光学系统波前反演误差分析方法。以某衍射光学系统为应用实例,分析了各因素对波前反演误差的影响规律,并验证了误差分析模型与方法。实验结果表明,模型分析结果与实际误差之间的平均偏差小于13.5%,可为衍射光学系统的空间应用提供支撑。

土壤受重金属污染后, 会影响农作物及食品安全, 危及人体健康, 因此寻找快速、 高效甄测土壤重金属污染信息的方法尤为关键。 传统化学分析方法存在过程繁杂、 费时耗力等缺点, 而高光谱遥感因光谱分辨率高、 信息量大、 快速无损等特点在环境监测等应用方面优势明显。 由于电磁遥感信号反射、 辐射过程复杂, 通过仪器获取的土壤高光谱数据难以直接解析出重金属污染信息, 因而, 研究并寻求一种能够有效挖掘土壤重金属污染信息的方法对高光谱遥感监测污染意义重大。 不同浓度铜(Cu)污染会使土壤理化性质改变, 引发土壤光谱产生微弱变化, 该研究目的是对Cu污染土壤光谱的特征及弱差信息进行识别、 提取与分析, 进而挖掘光谱中的重金属污染信息。 采用包络线去除(CR)对光谱进行预处理, 通过定义局部极大值均值(LMM)与半波高(HWH), 结合时频分析的短时傅里叶变换(STFT)及能量谱密度(PSD), 构建LH-PSD甄测模型。 通过模型对极相似土壤光谱进行处理, 所获PSD分布图使光谱间的微弱差异可视化显现, 并显著区分了相似光谱, 验证了模型对光谱特征及弱差信息的甄别能力和有效性。 同时应用该模型, 对不同Cu污染梯度的土壤实验光谱进行重金属污染信息的提取与分析, 研究结果表明, LH-PSD甄测模型中, LMM与HWH可有效提取光谱间差异特征并以阶梯状显现。 经模型处理后得到的可视化PSD分布图能直观定性判别土壤是否受重金属Cu污染, 即当土壤受重金属Cu污染后, 相同采样频数下, 在频率为100与600 Hz附近PSD分布会出现明显空缺分离, 随着Cu污染浓度的增加, 在100~600 Hz之间PSD的分布呈逐渐稀疏态势。 能量值E可定量化监测土壤Cu污染程度, 即随着土壤中Cu污染浓度的增加, E值呈下降趋势, 且与Cu含量的相关系数达到-0.910 5, 显著相关。 为检验模型的可靠性, 研究结合栽种玉米作物的土壤光谱, 经LH-PSD甄测模型对其进行分析, 所得可视化的PSD分布图结果与实验分析中基本一致, 且能量值E的监测结果与土壤中Cu含量相关系数达到-0.973 9, 相关性显著, 验证了模型的可靠性。 因此, LH-PSD甄测模型实现了对土壤光谱从光谱域到时频域的甄析, 为深度挖掘重金属污染的光谱特征及弱差信息提供一种新思路。

多源遥感影像融合中，通常不同地物区域对光谱特征和空间细节信息的要求有所不同。针对该特点，提出了一种 IR(自适应半径搜索 )显著性分析模型，实现了对多源遥感影像显著性区域和非显著性区域的识别与划分。结合 HIS与小波变换融合算法，提出了改进的自适应平均梯度加权 HIS融合方法，实现了对道路、农田、居民区等显著性区域的融合，更好的保留了其丰富的空间细节信息；同时提出了 HIS+WT变换的融合方法，实现了对山地、林地等非显著性区域的融合，保留了较多的光谱信息。以此实现了分区域的自适应遥感影像融合。实验结果表明，本文方法能够使融合后的遥感影像既能保持较高的空间细节表现能力，又能很好地保留其光谱信息。对农业科学、森林规划以及今后森林遥感影像分类、识别等研究提供了一定的理论基础与应用价值。

早在20 世纪50 年代开始，硫系玻璃由于具有宽红外透明波段和高折射率的特殊性质而引起了研究者们的浓厚兴趣，尤其是含Te 元素硫系玻璃的红外透过截止波长可达到18 μm 的远红外区域，开发出的硫系玻璃材料在远红外传感、CO2激光能量的传输、生物传感、外太空生命探测等方面有了广泛应用。除了在传统红外能量传输及成像等方面的应用，近年来硫系玻璃由于其超高的非线性、超短的响应时间而成为光开关、超连续光源、拉曼增益等非线性光学应用的最佳候选材料。总结了当前主流硫系玻璃的非线性特性及其应用，并在分析玻璃组分与其三阶非线性高低关系基础上比较了当前主流的三个系列硫系玻璃非线性的理论分析和预测模型，介绍了一种最广泛的Z 扫描非线性测试方法。对更高非线性硫系材料开发存在的问题及下一步的研究方向进行了展望。

针对运动副间隙引起的并联机器人定位误差, 提出了通过优化驱动杆的关节角位移参数来补偿运动副间隙误差的方法。以平面3-RRR并联机器人系统为研究对象, 建立运动副误差模型, 研究了间隙误差引起的杆件实际长度误差和驱动杆实际关节角位移误差的变化规律。根据机器人的逆运动学方程, 建立了基于全微分理论的机构误差分析模型。应用粒子群优化(PSO)算法优化驱动杆的关节角位移参数, 补偿了运动副间隙引起的系统结构误差。引入线性递减惯性权重和压缩因子对标准PSO算法进行改进, 给出了算法的统一表达式。误差补偿结果显示, 改进PSO算法能够有效提高优化算法的收敛性能, 使用优化后的关节角位移参数得到的机器人末端轨迹误差值比未补偿轨迹降低了99%以上。仿真实验结果显示本文方法能够有效补偿运动副间隙引起的系统结构误差, 保证并联机器人系统的定位精度。

为解决偏最小二乘判别分析(PLSDA)建模时光谱区域中的噪声及冗余信息干扰问题，提出一种基于联合区间偏最小二乘判别分析(SiPLSDA)算法，并将该算法应用于猪肉近红外光谱的定性建模分析。SiPLSDA 利用联合区间偏最小二乘回归（SiPLS）进行光谱特征区域筛选，在筛选出来的光谱区域内建立数据的定性预测模型。采用Antaris II 快速傅里叶变换近红外光谱分析仪获取波数范围为10000~4000 cm-1的猪肉样本近红外光谱，采用标准正态变量变换(SNV)进行近红外光谱的预处理，用SiPLSDA 建立猪肉近红外光谱的定性模型。实验结果表明，SiPLSDA 建立的预测模型对猪肉储藏时间的识别率达到93.94%，高于基于全光谱区域建立的PLSDA 预测模型的识别率。

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734 nm波段内的光谱数据, 去除首尾噪声波段后, 分别基于925~1 680 nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长, 建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。 基于上述判别模型对咖啡豆品种进行鉴别; 然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示, 基于全谱和特征波段建立的模型均取得了较好的判别效果, 其中ELM模型效果均为最优, 每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明, 基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别, 特征波长的选择减少了变量数, 但判别效果与全谱相当。

目前由于部分电站锅炉所用到的燃煤大多为配煤, 在有些情况下, 其复杂的物理化学特性导致难以获得高精确度的常规近红外定量分析模型, 这给电煤发热量的在线检测带来了一定困难。 针对该问题, 深入研究了电煤近红外光谱时域和频域特征, 提出一种能够通过全局优化策略自动在频域内建立最优近红外定量分析模型的新方法—频域自适应分析法。 该方法首先将时域近红外光谱通过快速傅里叶变换转换为频域近红外信号; 然后采用有效光谱能量率得到合适的频域信息范围; 接着根据近红外光谱频域下的相关系数谱图、 方差谱图以及谐波在频域中的坐标合理构建了频域信息量评价参数, 利用该参数对模型输入变量的种群位置进行初始化; 最后采用频域分区搜索和综合性能评价函数得到最佳建模方案。 与此同时, 结合电煤煤粉近红外图谱的特性, 并以其发热量为待测目标对该方法进行了验证, 取得相对较好实验效果, 与传统方法主成分回归、 偏最小二乘回归、 反向传播神经网络以及基于遗传算法的偏最小二乘回归和支持向量机回归相比, 该方法预测精度更高, 并且有效避免了频域随机搜索潜在的过拟合和虚假有效模型的弊端, 具有良好的应用前景。 此外, 该方法也可推广用于其他类型的光谱定量分析。