塑料因其可塑性与低成本在日常生活与工业中被广泛使用，然而这也带来环境污染与资源浪费等问题，因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性，采用近红外高光谱成像技术（NIR-HSI），比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法（K-NN）、支持向量机（SVM）、粒子群算法训练的SVM（PSO-SVM）、遗传算法优化的SVM（GA-SVM）等机器学习方法。通过验证数据筛选模型准确率后，将其应用于高光谱图像，通过可视化分类对比原始图像评估模型效果。结果显示，基于欧氏距离、余弦相似度的K-NN和GA-SVM分类效果最佳，验证数据的精度分别达到96.14%、96.21%和98.67%，在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值，只需获取特定塑料的光谱数据并进行适当处理，即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。

在大数据时代, 依靠以机器学习为代表的人工智能技术从海量、复杂多样的电磁大数据中快速挖掘出有效的信息是当前的研究热点。面向电磁数据的机器学习算法具有多样性、多变性的特点, 要求相关人员具有专业能力与编程知识。为解决电磁大数据挖掘实现过程中的复杂编程问题, 提出面向电磁大数据的图形化编程平台, 将机器学习的各类算法组件化, 用户无需编写代码即可建立机器学习模型和工作流分析数据, 并以可视化的方式分析电磁数据, 帮助用户进一步理解数据, 具有快速开发与易上手的优点。

人们对鱼类的品质追求越来越高, 因此对于开发水产养殖中鱼类重要参数脂肪含量的检测显得愈发的重要, 传统的检测方法虽然经过许多研究人员的修改和改进, 但仍然存在费时费力, 需要专业的人员培训存在一些问题。 光谱技术也存在仅使用整条鱼片作为预测样本, 缺乏普遍性, 整个鱼片的成分分布不均匀, 采样时间过长等导致图像质量不高等问题, 该研究通过MCR-ALS算法重建后的数据和图像的增益效果, 评估了采用近红外高光谱成像技术预测并实现鲑鱼片重要参数（脂肪）可视化的可行性。 首先将购买的新鲜三文鱼按照背面和腹部切块分割, 每条三文鱼制作成20个样本, 共100个样本, 其中75个样本用于校正集, 25个样本用于预测集。 用高光谱成像系统采集三文鱼样本的光谱数据, 再通过索氏提取器测定三文鱼脂肪的含量, 并建立其理化值样本, 然后通过MCR-ALS对光谱数据进行重构, 发现重构后的光谱有效信息随着组分推荐评分上升, 通过连续投影算法（SPA）选择特征波长, 并建立最小二乘支持向量机（LS-SVM）模型评估两种预测效果（原始和重建数据）。 MCR-ALS-SPA-LS-SVM的预测精度最高, Rp=0.955 5, RMESP=1.650 5, RPD=3.389 9; 采用MCR-ALS和未处理的模型对鱼片脂肪进行视觉图像预测, 大大减少了噪音的输入, 有效还原了鱼片的轮廓, 并且令鱼的脂肪条纹更加的清晰, 图像质量更优。 进一步分析聚类图像, 通过不同成分的主成分贡献和相同成分的主成分贡献比, 发现类别为20种时, 样品与背景簇存在干扰, 然而采用少量的簇类分析发现, 仅5和10个种类即可完整描绘出整个样品的轮廓, 对于光谱强反应物质存在很好的聚类效果, 具有简化模型的可能。 无论是数据还是图像, 令人满意的预测结果证实了近红外高光谱成像用于鲑鱼脂肪定量和视觉图像预测的可行性, 并且算法的优化大大缩短了检测时间, 为实时在线检测创造了更好的条件。

微晶玻璃不仅具有耐腐蚀、高强度等特性, 且具有易成型、光学性能良好等特点, 应用十分广泛, 备受学界关注。论文以2013-2017年和2018-2022年两个阶段有关微晶玻璃的SCI论文为样本, 通过CiteSpace 6 知识可视化软件构建了微晶玻璃研究领域作者科研合作网络和关键词聚类可视化知识图谱, 研究了作者科研合作网络和学术活跃度、可视化发展趋势。结果表明: 2013-2017年, 学者们更多关注微晶玻璃发光性能、生物活性以及固态电解质的研究; 2018-2022年, 除持续研究微晶玻璃生物活性外, 逐渐转向微晶玻璃的能量转换和碱活化的研究。本文总结前人研究, 发现提高生物活性微晶玻璃的抗菌性、控制微晶玻璃生长微纳晶相的方法以及透明发光微晶玻璃结晶度的改进技术等是微晶玻璃材料领域研究和应用的重要前沿方向。