爆破振动质点速度峰值(Peak particle velocity,PPV)是衡量爆破振动对周围环境和结构物造成的影响程度的重要指标。为提高爆破振动质点速度峰值预测的可靠性, 提出了一种基于麻雀搜索算法(Sparrow search algorithm,SSA)优化极端梯度提升树(Extreme gradient boosting,XGBoost)的PPV预测模型, 通过Matlab软件中的App Designer模块构建了相应的爆破振动预测系统。通过36组训练数据和5组测试数据, 选取了最大单段炸药量、爆心距和测点至爆破工作面的高程差作为模型输入参数, 对PPV进行了预测。结果表明, 提出的SSA-XGBoost模型相较于GA-BPNN模型和BPNN模型具有更小的平均相对误差, 泰勒图进一步证明了SSA-XGBoost具有更高的预测精度和更好的稳定性。

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。 旨在寻求特征波段筛选的最佳算法, 以实现土壤重金属铅含量的准确监测, 为土壤污染防治提供参考。 以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源, 利用蒙特卡洛交叉验证（MCCV）算法确定92个有效土壤样品, 通过相关分析选取倒数对数一阶微分变换处理的光谱数据, 采用随机蛙跳（RF）算法, 并结合竞争性自适应重加权（CARS）算法、 迭代保留有效信息变量（IRIV）算法及连续投影算法（SPA）, 构建RF-CARS、 RF-IRIV及RF-SPA三种算法对波段进行筛选。 以倒数对数一阶微分变换处理下的特征波段反射率为自变量, 土壤重金属铅含量为因变量, 采用极端梯度提升（XGBoost）和地理加权回归（GWR）方法构建土壤重金属铅含量估测模型。 结果表明: （1）光谱变换处理可有效增强光谱与土壤铅含量的敏感性, 其中倒数对数一阶微分变换后的土壤光谱特征更为明显, 相关系数可达到0.620（p＜0.001）。 （2）RF-CARS、 RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、 9和7个特征波段, 全部位于近红外光谱区域, 3种算法具有较强的特征提取能力, 极大减少光谱数据中的冗余信息。 （3）基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型, 说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。 此外, GWR模型的性能优于XGBoost模型, 构建的RF-IRIV-GWR模型具有较好的预测能力, 可作为研究区土壤铅含量的最优估测模型, 其验证集的决定系数（R2）为0.892, 均方根误差（RMSE）为0.825 mg·kg-1, 相对分析误差（RPD）为3.09。 基于随机蛙跳（RF）与迭代保留有效信息变量（IRIV）算法, 结合地理加权回归（GWR）建模方法在快速准确估测土壤铅含量方面具有一定优势, 可进行土壤重金属污染的动态监测。

三七是一种传统的中药材, 具有较高的药用价值。 目前市场上中药售假的现象屡见不鲜, 许多不法商贩将三七支根或剪口粉末假冒主根粉末销售, 严重损害了消费者的利益。 利用高光谱技术结合多元分析方法实现三七不同部位粉末的快速无损鉴别。 通过高光谱成像系统分别采集了三七剪口、 须根和主根粉末在400~1 000 nm范围内的高光谱图像, 共300个样本。 采用Savitzky-Golay（SG）平滑结合标准变量变换（SNV）的方法对高光谱数据进行去噪和消除因散射引起的光谱差异。 为了移除光谱变量中的重迭和冗余信息, 利用竞争自适应重加权采样（CARS）算法和本文提出的一种考虑了变量间交互作用的二进制竞争自适应重加权采样（BCARS）算法进行特征波长选择。 最后分别建立了基于全光谱、 CARS和BCARS特征波长的支持向量机（SVM）和极端梯度提升（XGBoost）分类模型。 结果表明, BCARS-XGBoost模型的分类效果最优, 训练集和测试集的分类准确率分别为100%和99.33%。 与CARS相比, BCARS所选择的特征波长数量较少, 有助于多光谱系统和便携式仪器的开发。 利用高光谱技术结合BCARS-XGBoost模型鉴别三七不同部位粉末是可行的。

渗铝作为航空发动机涡轮叶片高温防护的重要手段，其质量与飞行安全密切相关。渗铝层厚度是评估渗层性能的重要因素，但目前的无损检测方法难以对其进行准确测量。针对该问题，将X射线荧光技术与极端梯度提升（XGBoost）算法相结合，通过Pearson相关系数筛选（PCCS）提取特征元素，构建渗铝层厚度预测模型。将该模型与K近邻回归、线性回归、支持向量机、随机森林模型预测结果的平均相对误差进行对比。结果表明，相比其他模型，PCCS-XGBoost模型预测渗层厚度的平均相对误差最小，为1.60%。该研究为渗铝层厚度的无损检测提供了一种新的预测方法。

随着高光谱成像技术的发展，利用国产高光谱影像进行大范围土壤参数反演成为了可能，但其反演精度仍有待提高。因此，以陕西大西沟矿区为例，以GF-5高光谱卫星影像以及实测的土壤样本数据为数据源，提出了一种基于遗传算法特征选择的XGBoost土壤铜元素反演模型（GA-XGBoost）。首先，对预处理后的影像数据进行连续统去除等光谱变换，并利用蒙特卡罗交叉验证法（MCCV）剔除异常土壤样本；最后，分别建立基于相关系数与遗传算法特征选择的XGBoost重金属含量反演模型。实验结果表明，相同光谱变换条件下，与基于相关系数特征选择的XGBoost模型相比，所提GA-XGBoost模型性能均有明显改善，其中基于连续统去除变换的GA-XGBoost模型反演效果最优，均方根误差为4.85 mg·kg^-1，拟合优度达0.84，相对预测误差值为2.0。利用该模型进行研究区土壤Cu含量空间分布反演结果表明，该区域开采区周边及道路两侧受到Cu的污染较严重，这一规律与实地调查结果一致。

为了解决影响地铁轨道的杂散电流特征众多，常规特征选择方法影响模型预测精度及模型结果可解释性差的问题，提出基于最优特征改进极端梯度提升（XGBoost）的杂散电流预测模型。利用遗传算法的灵活性和较强的搜索能力，在包含原始V个特征的集合中逐代寻找使目标函数均方误差（MSE）最小的前M个特征，建立最优特征选取方法下的杂散电流预测模型（OFS-XGBoost）。同时为了解决OFS-XGBoost模型预测结果较好，但是黑箱模型对预测结果解释性不足的问题，提出基于SHAP理论的归因分析框架，根据杂散电流特征样本的边际贡献，以易于理解的的方式显示特征集合对模型预测结果的影响，提高模型可解释性。结果表明：所提模型的预测误差仅为1.684%，低于相同优化策略下的随机森林、反向传播（BP）神经网络等预测模型；基于SHAP值的归因分析方法可以从全局与个体角度解释输入特征对杂散电流预测结果的影响，在提高模型可解释性的基础上辅助地铁智能化健康管理。

本文通过引入线性核的主成分分析和极端梯度提升(XGBoost)模型，给出了一种连续视听刺激下脑电(EEG)情感四分类识别算法。为体现适普性，文中使用传统的功率谱密度(PSD)作为脑电信号特征，并结合XGBoost学习得到weight指标下的特征重要性度量，然后使用线性核的主成分分析对经阈值选择的重要特征进行处理后送入XGBoost模型进行识别。通过实验分析，gamma频段在XGBoost模型识别的参与重要度明显高于其他频段；另外，从通道分布上看，中央、顶叶和右枕区相对于其他脑区发挥着较为重要的作用。本文算法在所有被试参与(SAP)和被试单独依赖(SSD)两种识别方案下的识别准确率分别达到78.4%和92.6%，相对其他文献的识别算法取得了较大的提升。本文提出的方案有助于改善视听激励下脑机情感系统的识别性能。