近红外光谱具有高维、 高冗余、 非线性的特性, 严重影响了样本之间的相似性度量的精准, 故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。 基于流形学习算法思想, 利用高斯分布将高维数据的距离转换为概率分布, 使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。 将高维数据的概率分布嵌入映射至低维度空间, 重构低维流形结构, 引入Wasserstein散度度量两个空间内概率分布的差异, 通过降低散度值来提高两个分布的相似度, 以此来实现高维数据降维处理。 为验证Wt-SNE算法的有效性, 首先对烟叶近红外光谱数据进行降维投影, 并与PCA、 LPP、 t-SNE算法比较, 结果表明Wt-SNE算法降维后的数据, 在低维空间内样本类别边界更加明显。 其次, 采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测, 准确率分别为93.8%、 91.5%、 92.7%, 表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。 最后, 选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换, 根据备选样本与目标样本之间的马氏距离选取替换样本。 实验表明, Wt-SNE选取的替换烟叶与目标烟叶相似度最高, 烟碱、 总糖等化学成分含量与目标烟叶差异较小, 香气、 烟气、 口感得分表现出较高的一致性。 该方法能够有效度量烟叶近红外光谱之间的相似性, 为卷烟叶组配方的维护提供有力的依据。

为了解决单一跟踪器无法有效应对复杂背景及目标外观的显著变化, 对于热红外目标跟踪准确度不高的问题, 基于全卷积孪生网络提出了一种多响应图集成的跟踪算法用于热红外跟踪。首先, 使用预训练的卷积神经网络来提取热红外目标的多个卷积层的特征并进行通道选择, 在此基础上分别构建 3个对应的跟踪器, 每个跟踪器独立执行跟踪并返回一个响应图。然后, 利用 Kullback–Leibler(KL)散度对多个响应图进行优化集成, 得到一个更强的响应图。最后利用集成后的响应图来确定目标位置。为了评估所提算法的性能, 在当前最全面的热红外跟踪基准 LSOTB-TIR(Large-Scale Thermal Infrared Object Tracking Benchmark)上进行了实验。实验结果表明, 所提算法能够适应复杂多样的红外跟踪场景, 综合性能超过了现有的红外跟踪算法。

为了找出一种快速、简便、准确的方法来探究霉菌试验后**装备表面生长的霉菌种类，按照标准的试验方法进行了霉菌试验，利用傅里叶红外光谱仪对经过不同菌种腐蚀后的样本进行了测试，获取了光谱数据，并通过对数据进行初步的主成分分析确定了光谱数据的识别区域。采用最小距离匹配、光谱角匹配、光谱信息散度、光谱协方差、主成分分析、偏最小二乘判别分析(Partial Least Squares Discriminant Analysis，PLS-DA)、随机森林等分类算法建立了识别模型。研究结果表明，随机森林算法能够很好地识别霉菌种类，准确率预期在98%以上。基于合适的分类算法，傅里叶红外光谱(Fourier Transform Infrared, FTIR)技术能够实现对菌种的有效鉴别。

视网膜血管的形态结构具有复杂多变的特点，针对血管图像中的交叉处和延伸处不易分割的问题，提出一种基于多方向滤波的视网膜血管分割算法，该算法进一步提升了血管图像的分割精度。首先，使用直方图均衡化、中值滤波去噪、顶帽变换等方法对绿通道的视网膜血管图像进行增强。然后，对增强后的图像进行多方向的Cake滤波，并对滤波后的结果进行融合，弱化背景中的噪声，增强血管与背景的对比度。最后，采用向量场散度的方法提取阈值并对图像进行分割，得到视网膜血管分割的最终结果。利用公开数据集DRIVE和STARE测试了算法的分割精度，实验结果表明，所提算法能够精确地分割出复杂血管的连接处，灵敏度较高，且执行时间较短。

为了增强模糊局部信息C均值聚类算法的鲁棒性和分割性能, 提出一种基于特征选取的模糊局部信息C均值聚类算法。在现有的模糊局部信息C均值聚类算法基础上, 对其目标函数的局部邻域约束项添加邻域隶属度约束, 并将特征选取的思想引入该目标函数, 并利用KL散度作为正则项因子, 获得一种新的鲁棒模糊聚类算法。对算法迭代所获得的像素隶属度进行局部中值滤波, 再采用最大隶属度准则实现像素归类得到最终分割结果。实验结果表明, 文中算法相比现有的FLICM算法具有更好的分割性能和抗噪鲁棒性。

针对模糊C均值(FCM)聚类算法在数据集下聚类效果差的情况,以及基于欧氏距离的相似性度量只考虑数据点之间的局部一致性问题,提出了基于Jeffery散度相似性度量加权FCM聚类算法(JW-FCM)。引入源于Jeffery散度的相似性度量,首先,对于FCM算法进行特征加权,对数据的不同特征值赋予适当的权重,再将Jeffery散度与加权FCM算法进行结合得到JW-FCM算法。将JW-FCM算法与几种相关算法在人工数据集和UCI数据集上进行对比实验,通过实验分析与比较,证明了JW-FCM算法具有更好的收敛性、鲁棒性、准确性。实验结果表明,改进算法表现出较好的聚类效果。

超精密加工工件表面存在影响其性能的各种空间频率误差,针对工件的不同性能研究,需要采用有效分解手段对含有特定频段空间频率误差的形貌进行提取。传统的空间频率误差分解方法存在严重的模态混叠现象,为了解决这一问题,提出自适应二维变分模态分解(BVMD)算法对三维表面形貌进行分解。首先,由于采集三维形貌数据时会造成截断误差,引入镜像延拓和自卷积Hanning窗方法对数据进行预处理。然后,利用粒子群退火优化算法,对BVMD算法中的惩罚系数和分解层数进行寻优处理。其中,以各模态分量之间的频谱KL散度作为混叠指标,引入最小风险贝叶斯决策理论,综合KL散度与重构误差,构建优化算法适应度函数。最后,对超精密加工实测表面形貌进行分析,并与离散小波分解、二维经验模态分解方法相比较。结果显示,所提方法分解的KL散度值在10 2量级,远高于其他两种方法,能更好抑制模态混叠,实现超精密加工表面空间频率误差的有效分解。

提出一种基于SKL (Symmetric Kullback-Leibler)散度的点集配准算法,将点集中的每一个点表示成一个高斯分布,高斯分布包含点的位置信息和周围点的影响大小信息。将整个点集建模为一个高斯混合模型(GMM),因此两点集的配准问题转化为求两GMM间SKL散度的最小值问题。采用遗传算法进行优化求解。实验结果表明,所提算法对噪声、出格点和缺失点具有较强的鲁棒性,且取得较高的配准精度。