根据外差激光多普勒测振过程的物理原理，分析了其在目标存在低频高速运动情况下测量高频低速振动的过程。在这一过程中，因杂散光而产生的测量噪声表现出啁啾特性，该研究还阐明了这种噪声的影响和表现形式、特点。针对此啁啾噪声，提出了一种微分预处理解调方法，理论分析表明这种解调方法有明显的啁啾噪声抑制效果，并进一步进行了仿真和实验验证。搭建了存在杂散光的外差激光多普勒测振系统，对目标振动进行了测量，分别通过常规解调方法和微分预处理解调方法进行解调，实验结果验证了啁啾噪声的存在和微分预处理解调方法抑制啁啾噪声的有效性，该方法可使啁啾噪声功率下降约81.8%，可有效降低杂散光对测量结果的影响。

中频波前均方根(PSD1)是用来评价光学元件中频段波前质量的关键参数, 在对其进行数值计算之前, 需要对波前数据进行频率域滤波。滤波后的数据易导致待测区域内、外的数据截断, 引入较大的边缘高频误差与吉布斯噪声, 从而严重影响了计算准确度。为了减小数据截断带来的影响, 通过对边缘截断的数据做趋优填充, 减少截断区域内外的空间频率突变。通过对现有的空域预处理方法进行对比, 提出了一种四向扩展平均算法。经试验验证, 所提出的方法可以较好地还原光学元件的中频段面形, 显著提高PSD1测量准确度, 试验表明所提出的方法较标准值的误差平均值小于5%。

高光谱成像技术源于遥感探测，具有谱图合一的独特优势，在农林、地矿、防伪和环境保护等领域的应用日益广泛。作为高光谱技术最常见和最基本的功能，目标分类在各个高光谱领域的应用均具有至关重要的作用。综述了高光谱目标分类技术的发展现状，分析了高光谱数据的结构特点，归纳了高光谱目标分类的一般流程，并详细阐述了数据读取、图像预处理和目标分类等高光谱目标分类流程的主流方法及其基本原理。结合近年来的典型案例，分析了高光谱目标分类的过程，并对其发展趋势进行了分析和展望。

小麦粉的粉质特性决定了小麦粉的品质以及最终用途, 粉质特性受到小麦的品种, 产地, 以及加工工艺等多个因素的影响, 重要的粉质参数包括4个: 吸水率、 形成时间、 稳定时间、 弱化度。 近红外光谱广泛应用于小麦粉成分参数的检测, 如水分、 蛋白质、 灰分和湿面筋含量, 其中大多直接应用线性回归算法建立模型, 预测的精确度较低, 且检测粉质特性的研究较少, 研究结果也受到样本丰富度不足的影响。 该研究收集了968份来自不同国家和地区的小麦粉粉质特性数据及近红外光谱, 通过分类模型和回归模型的结合来提高粉质特性预测的精确度。 采用包括标准正态变换（SNV）、 线性去趋势（Detrend)、 多元散射矫正（MSC）和Savitzky-Golay一阶求导的方法对光谱数据进行预处理, 并通过交叉验证选择最佳预处理方法。 在建模方法上, 首先尝试了经典的线性回归方法, 即偏最小二乘回归（PLSR) 和主成分回归（PCR)。 发现两种方法的精确度大致相当, PCA模型的校正均方根误差（RMSEC）分别为2.186、 1.838、 4.037、 21.693, PLSR模型为2.039、 1.837、 3.968、 21.252, PLSR模型比PCR所需的因子更少。 其次, 使用该文提出的二阶段回归模型, 即先用高斯过程回归（GPR)的结果作为分类器对样本进行分类, 在不同类别的样本簇中分别建立PLSR模型进行粉质特性的预测, 再使用Sigmoid函数对PLSR模型进行融合。 这种建模方法对粉质特性预测的精确度有较大提高, 在不同粉质特性指标上的RMSEC分别为1.876、 1.160、 2.459、 14.449。

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。

为了满足水下高速激光通信的需求和提高系统的误码性能, 设计一种基于二进制开关键控(OOK)调制的水下高速激光通信系统, 采用滑窗平均滤波方法对接收数据进行去噪处理, 根据固定值阈值和自适应阈值方式求取联合阀值后进行门限判决。系统测试结果表明: 联合阈值判决方式的误码性能优于固定阈值判决和自适应阈值判决方式; 系统在洁净水、水中含少量悬浮杂质2种水质通信时的误码率分别为0、10-2左右。

拉曼光谱因具有简单、 快速及无损等特点, 非常适合矿石的分类与鉴别。 拉曼光谱模型拟合分类方法无需构建参考光谱库且避免了复杂的逐项光谱匹配, 具有明显的优势。 然而, 已有的基于机器学习及深度学习的矿石拉曼光谱分类研究所采用的学习模型比较单一, 缺乏具有参考意义的综合比较。 对基于机器学习及深度学习的矿石拉曼光谱模型拟合分类方法进行综合评估验证, 对比了KNN, XGBoost, SVM, RF四种传统机器学习方法和CNN, DNN, RNN三种深度学习模型在RRUFF矿物拉曼光谱数据集上的分类效果, 验证了4种数据预处理方法和样本量对模型分类效果的影响。 为提升机器学习模型的分类性能, 本文还提出了一种拉曼光谱强度曲率的数据预处理方法, 对经基线矫正后的拉曼光谱序列强度计算曲率作为构造特征, 使模型更有效的提取出拉曼光谱的特征峰位置。 实验结论: 数据预处理对提升机器学习模型的分类性能效果明显, 而对深度学习模型不敏感; 样本量为影响模型分类效果的关键因素, 当样本量较大时, 深度学习模型的分类效果优于传统的机器学习模型; 对于微小样本, 深度学习模型难以发挥其优势, 而辅以预处理的机器学习具有更优的分类性能。

山药为薯蓣科植物薯蓣的根茎, 其中的多糖、 多酚、 皂苷、 黏蛋白和维生素C等成分使山药具有抗肿瘤、 抗氧化、 抗炎症、 降血糖和降血脂等作用。 不同产地的山药由于生长条件存在差异, 致使药用成分含量显著不同, 结合独特的炮制工艺, 进而导致市场价格差别大, 所以山药饮片的产地识别至关重要。 为对山药饮片进行产地溯源, 本文基于激光诱导击穿光谱(LIBS)技术提出多元散射矫正-改进遗传算法-支持向量机(MSC-IGA-SVM)模型对山药产地进行精确识别。 使用八个不同产地的山药饮片进行LIBS实验, 八种产地的山药饮片磨粉过筛后制成粉末压片, 通过采集山药饮片的LIBS光谱, 分别使用单一分类器与使用光谱预处理、 特征提取及模式识别算法的模型对光谱的识别结果进行对比。 将光谱信号按2∶1的比例划分为训练集和测试集, 使用5次交叉验证K-邻近算法(KNN)模型的测试集准确率作为预处理参数优化的评价指标。 各类药材的平均光谱整体趋势一致, 所含谱峰基本相同, 但因产地不同导致峰值强度各不相同, 道地山药对一些金属元素(K, Na, Ca, Mg, Al)的富集能力大于非道地产区山药, 其中, K元素特征谱线(769.90 nm)的峰值最高, 即山药饮片中K元素含量最多, 相关研究表明山药根茎对K元素的富集能力最强。 选取35条关键谱线进行分析, 在识别种类多、 识别难度大的情况下, 改进遗传算法(IGA)比主成分分析(PCA)更能清楚辨别光谱中的非线性关系, 同时受噪声的影响更小。 MSC-IGA-SVM模型的产地溯源效果最好。 MSC-IGA-SVM模型的交叉验证集准确率为96.9%, 测试集的准确率为97.32%, 与直接使用原信号建立的最好模型支持向量机(SVM)(96.43%)相比, 测试集准确率提高了0.87%。 同时, MSC-IGA-SVM模型将输入变量的维度减少了99.93%。 结果表明, LIBS技术结合MSC-IGA-SVM模型能够快速、 准确对山药饮片进行产地溯源。