荧光激光雷达对气溶胶云团进行远程侦测时，常利用决策树法对云团的荧光光谱信号进行识别。当大气能见度较差或背景辐射较强时，激光雷达的信噪比下降，导致分类识别的准确性明显降低。针对这一问题，提出了一种基于特征提取的决策树分类方法，该方法充分利用荧光光谱信号的信息，具有较强的适用性。首先介绍了生物荧光光谱的特点及传统识别算法和改进识别算法的原理；然后实验测试了6种生物溶液的荧光谱，并通过在这6种生物物质的荧光光谱中增加不同强度的噪声，对两种分类识别算法的性能进行了对比分析。结果表明：所设计的基于特征提取的决策树算法的训练时间基本不随噪声大小改变，当光谱信号的信噪比为10时，对6种生物物质的识别准确率基本达到80%以上；对于两种荧光光谱极其相似的生物，具有较强的区分能力，识别准确性优于传统识别算法；抗噪能力较强，提高了生物气溶胶激光雷达的探测识别能力。

为了准确、高效地分析电力客户需求, 从而降低电力企业成本, 提高电力服务的产品附加值, 基于层次分析法, 计算条件属性重要度, 构建优先关系矩阵, 结合模糊关系判断尺度, 确定电力客户需求权重。度量决策树节点纯度, 分别对离散型节点变量与连续型节点变量进行指标分析, 判断电力客户需求权重的准确性。建立电力客户需求关联抽取模型, 获取电力客户需求用户画像, 将信息区分值作为区分变量能力强弱的指标, 计算不同变量之间的相关系数, 设计关联抽取算法, 得到电力客户关联结果。该方法在高、中、低 3种频率中, 虽其平均绝对百分比误差(MAPE)值不断升高, 且随着关联层次的增加而逐渐递增, 但整体依旧较低, 判断电力客户需求权重的准确性较高。

针对复杂作战场景下的指挥控制决策问题, 基于决策树理论提出了处理多任务流程的指挥控制决策方法。首先对OODA环理论的判断过程进行了详细分析, 通过构造决策树的方法来生成判断模型。决策树在决策过程中调用多任务流程服务并生成判断结果。指挥员根据判断结果来进行指挥决策, 从而实现机器在人的控制下的智能决策。通过对该方法进行验证分析, 证明该方法具有高层次可解释性, 准确表达指挥员作战意图, 灵活构建作战策略的特点。

高光谱成像凭借高的光谱分辨率、 图谱合一、 波段多的特点, 能够为待分类目标提供多维的参考信息, 从而提高分类精度。 爆炸破片的识别回收能够为爆炸威力的评估和防爆措施的设计提供参考。 针对当前破片检测中多采用可见光波段或红外波段等单个波段进行检测, 忽略了破片目标与背景对不同波长的光有着不同的吸收程度, 没有将多波段破片特征充分利用, 为此结合高光谱检测手段, 提出了一种空间分割结合光谱信息的爆炸破片识别方法。 在实验室环境下, 首先采集铁质破片、 石头、 树叶的高光谱图像, 对采集的样本图像数据做预处理, 包括去噪声以及黑白校正反演反射率信息等, 感兴趣区域随机提取三类样本像素点共750个, 随机选取600个点作为训练集其余作为测试集, 通过训练后得到预测准确度分别为88%、 88%、 94%的决策树模型。 其次模拟了铁质破片散落在含有石头树叶的沙土中的场景并采集其高光谱数据, 通过前后级联的空谱融合方法, 在空域经过图像增强和去噪等预处理之后, 采用边缘检测结合区域生长以及形态学处理的方法对空间图像进行分割, 得到沙土上有形态的目标, 空间分割的交并比(IOU)达到93.5%, 真阳率(TPR)达到97.4%； 然后结合光谱域训练得到的决策树模型, 对各个分割区域的每个像素点进行谱域的类型识别, 参与分类的三类像素点个数分别为146 172、 50 484、 213 438, 识别准确度分别为87%、 86%、 96%； 最后将分类结果可视化, 以每个区域像素点最多的一类代表该区域类别, 将目标破片与石子和树叶两种背景进行了准确的识别, 以标定后的分割图像为标准, 三类像素点个数分别为155 502、 52 045、 217 794, 识别率分别为94%、 97%、 98%。 分析结果表明空间分割结合光谱信息的识别方法能够有效利用空间和高光谱的特征信息对铁质破片目标进行准确识别。 同时验证了使用高光谱成像进行空谱联合识别爆炸破片的科学性以及可行性, 对未来采用智能化识别破片的方式评估破片战斗部威力具有一定的实用意义。

番茄早疫病感染性强、 破坏性大, 潜育期症前特征的检测识别是番茄早疫病监测预警和科学防治的关键。 在实验室以离体番茄叶片作为研究对象, 利用高光谱图像监测番茄叶片早疫病的病程演变情况, 结合可见光图像和光谱特征进行数据分析。 实验发现, 番茄叶片感染早疫病后其近红外光谱平均值和红边反射率随着时间不断降低, 且在接种36 h时已出现潜育期病症信息。 选择接种36 h的光谱数据作为番茄早疫病潜育期的建模数据, 分别利用了主成分(PCA)变换、 多元散射校正(MSC)对建模数据进行光谱降维或降噪处理, 进而建立梯度提升决策树(GBDT)和支持向量机(SVM)识别模型, 并导入数据进行训练识别。 讨论了PCA和MSC的预处理方法对梯度提升决策树(GBDT)和支持向量机(SVM) 模型识别效果的影响; 进一步讨论常见核函数对SVM识别模型的影响, 优选出预处理方法和识别模型的组合算法。 结果发现, PCA-GBDT、 PCA-SVM(高斯核)、 PCA-SVM(线性核)、 MSC-GBDT、 MSC-SVM(多项式核)这几类组合算法准确率均为95%以上, 能很好的实现番茄早疫病潜育期的光谱识别; 其中MSC-GBDT的识别召回率和准确率最好, 而PCA-SVM(高斯核)识别效率最高。 研究表明, 通过降噪处理后的番茄早疫病潜育期高光谱数据减少了噪声、 更加符合真实的分布、 具有较大的可信数据量, 配合简单的识别模型会导致识别能力不足, 而配合复杂的识别模型可达到一个较可靠的测试结果; 通过降维算法能使番茄早疫病潜育期高光谱数据的维度降低、 数据量减少; 降维后的特征能够表达出病变信息, 配合简单识别模型时识别效果好, 而配合过于复杂的识别模型会导致识别模型的过拟合。

玻璃在中国史料中早有记载, 但是由于长期存在名称和质地的混淆, 且近现代有关中国古代玻璃的研究起步较晚, 关于古代硅酸盐玻璃的风化和成分研究比较缺乏。以往研究古代玻璃器的著作, 多是从王朝更替的角度, 对文化交流、化学分析等方面研究玻璃的文化艺术形态及其自身的运行发展的规律, 较少有学者系统建立数学模型并使用智能算法定性定量开展风化硅酸盐玻璃原成分预测及亚分类方法研究。本工作以多组风化和未风化硅酸盐玻璃为研究对象, 提取其化学成分含量、纹饰和颜色等数据, 利用Spearman系数分析了纹饰、颜色和玻璃大类之间的相关性并研究影响表面风化的因素; 利用决策树进行大致分类, 然后用神经网络预测玻璃风化前主要化学成分的含量, 并总结硅酸盐玻璃的分类依据。此后通过K-means聚类建立分类模型: 确定最佳类别数, 进行亚类划分, 寻找铅钡玻璃和高钾玻璃的最优分类数量。研究结果表明, 只有玻璃类型对表面风化具有显著影响; 风化过程中参与度较高的化学成分为二氧化硅、氧化铝、氧化铅、氧化钡、氧化铅和五氧化二磷; 风化后, 铅钡玻璃二氧化硅含量明显下降, 氧化铅含量明显上升, 而高钾玻璃二氧化硅含量明显上升, 氧化钾氧化钙和氧化铝含量明显下降; 高钾玻璃分为3个亚类, 铅钡玻璃分为4个亚类。为后续利用机器学习研究古代硅酸盐玻璃的风化和成分提供了参考。

建筑垃圾“围城”已经成为现阶段城市环境治理面临的主要问题, 严重制约了城市生态环境的可持续发展, 做好建筑垃圾的分类对保护城市水资源、 提高城市土地利用率、 提升居民生活质量意义重大。 该研究将GaiaSky-mini 2推扫式机载高光谱成像仪（400～1 000 nm）搭载在经纬M600Pro无人机上, 选择晴朗无风的试验环境, 实时获取研究区高光谱遥感影像。 对采集的研究区高光谱遥感影像进行几何校正、 图像裁剪、 辐射校正等预处理; 将研究区内地物分为背景地物和建筑垃圾两大类, 其中背景地物包括芦苇、 蒿子、 水体、 阴影、 裸土和柏油路, 建筑垃圾包括白色塑料、 防尘布、 地基渣土和瓦砾砂石; 基于影像像元选取样本点, 分别提取研究区内6种背景地物和4种建筑垃圾的光谱信息, 制作光谱曲线, 并依据光谱特征差异, 选取特征波段, 通过波段计算统计并选取合理阈值, 利用决策树分类法实现背景地物的分离和建筑垃圾的识别提取; 针对不同类别的背景地物和建筑垃圾分别选取验证样本点, 对背景地物的分离结果和建筑垃圾的识别结果进行精度评价。 结果表明, 背景地物和建筑垃圾总体识别精度为85.91%, Kappa系数为0.845; 针对建立的背景地物分离决策树, 6种背景地物的分类效果均较好, 其中芦苇、 柏油路和裸土的生产者精度为95%, 整体能较好的将背景地物分离; 针对建立的建筑垃圾识别决策树, 防尘布和瓦砾砂石的生产者精度为95%, 白色塑料和地基渣土的生产者精度为90%, 能精确的提取研究区内的建筑垃圾。 研究表明决策树分类法在无人机高光谱遥感影像中实现建筑垃圾的识别与提取具有很好的分类准确度, 同时也验证了无人机高光谱遥感在建筑垃圾分类提取领域的科学性和可行性, 对未来建筑垃圾的分类识别工作具有一定的实际意义。

近年来频繁发生的褐潮污染给沿海地区经济带来巨大损失。准确、高效地识别褐潮藻对预防海洋环境污染意义重大。采用三维荧光光谱、梯度提升决策树(GBDT)和逻辑回归(LR)相结合的方法,实现了对褐潮藻的准确辨识。为解决LR模型对非线性数据的特征组合能力较弱的问题,引入GBDT算法,充分利用集成学习算法在处理非线性数据上的优势。将GBDT的预测结果作为新特征代替原来的特征输入LR模型,建立了一种将GBDT与LR相融合的褐潮藻辨识模型(GBDT-LR)。针对复杂海洋环境中其他门类藻的干扰,实验引入小球藻、细长聚球藻等5种不同门类的海藻作为对比,并对处于不同生长周期的褐潮藻辨识情况进行分析。相同条件下通过将所提模型与LR、支持向量机(SVM)和反向传播(BP)神经网络等模型进行对比。结果表明,GBDT-LR在分类准确率、召回率和F1分数等评价指标上均优于其他模型,处于指数生长期的藻类荧光光谱最为稳定,这一时期的褐潮藻辨识结果最好。

针对室内定位中相邻定位点之间信道状态信息（CSI）指纹特征易模糊和定位算法鲁棒性低等问题，提出了一种基于局部线性嵌入（LLE）和梯度提升决策树（GBDT）的定位算法。离线阶段，首先将经过预处理的幅值和相位作为CSI联合指纹，然后再用LLE降维前用弹性网络（EN）对联合指纹的不同子载波进行加权，既保证了降维后CSI指纹的真实性又增强了其独有的特征，最后用基于果蝇优化算法（FOA）改进的GBDT算法训练降维后的数据以提高CSI指纹的可靠性和稳定性，并建立指纹库。在线阶段，将待测点的联合指纹代入LLE+GBDT算法训练出指纹信息，然后通过与指纹库匹配预测出待测点的物理位置。室内定位实验结果表明，所提算法相较于对比算法具有较高的定位精度和鲁棒性，具有一定的应用价值。