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。

针对近红外光谱高维、非线性、大量噪声对定量建模的影响，将深度自编码网络引入到光谱特征学习中，提出一种改进卷积自编码网络的特征提取方法（1D-BCAE），并将其应用到烟叶关键指标的近红外光谱定量建模中，提高了模型的准确性和稳健性。首先利用适合光谱数据的一维卷积核和池化窗口进行特征提取，其次在编码过程中加入BasicBlock模块和批归一化（BN）结构优化网络结构，减少了参数量和计算量的同时，降低了光谱中的噪声和非线性特征的影响，优化了网络的训练效率。通过设计一种对应相连的结构，把编码器中各模块的参数传递给相应的解码器，减少了网络训练过程中细节特征的丢失。通过实验对比重构误差和均方根误差，验证了所提方法的有效性，然后分别采用全谱段和主成分分析（PCA）、卷积自编码（CAE）网络、1D-BCAE提取后的特征结合偏最小二乘（PLS）法建立了关于烟叶中烟碱、总糖指标的定量模型，并进行了对比分析。结果表明，1D-BCAE能有效学习高维数据中的内在结构和非线性关系，所建的模型具有更好的性能。所提方法实现了对待测组分光谱信息的有效提取，对建立稳健校正模型、降低模型复杂度具有重要意义。

近红外光谱数据的高维、高冗余、高噪声和非线性的特性严重影响了光谱相似性度量的准确性,针对该问题,提出了一种基于网格划分局部线性嵌入(GGLLE)算法的近红外光谱相似性度量方法。首先,根据关键化学成分在光谱中的表达,将高维光谱数据划分为多个网格子空间。其次,对局部线性嵌入(LLE)算法做了两方面改进,并采用改进的LLE算法依次实现每个子空间从高维空间向低维空间的特征映射,计算生成子空间的相似度矩阵。最后,将子空间相似度矩阵归一化处理并求解所累加和生成光谱样本集的相似度矩阵,实现光谱的相似性度量。实验选取两组某烟草企业提供的烟叶光谱构建了光谱的相似性度量模型,以相似性度量的准确率作为算法优劣的衡量标准。实验结果表明,GGLLE算法构建的相似性度量模型的准确率为93.3%,明显优于主成分分析、栈式自编码器和LLE算法的64.2%、67.5%和82.5%,从而证明了GGLLE算法的有效性。

在近红外光谱数据定量建模中, 数据的高冗余和高噪严重影响了建模的稳健性和精确性, 因此提出了一种特征分层结合改进粒子群算法（PSO）的特征光谱选择方法。 首先通过互信息度量特征的重要性得分, 并按特征的重要性降序排序, 有效避免了因采用降维方法得到主成分而引起的丢失重要信息的问题。 其次, 引入了跳跃度概念, 并构造了一种特征分层的方法, 重要性程度相似的特征并入同一个特征子集, 将降序排列的特征集分割为不同的特征子集, 避免了筛选特征过程中因人为设定特征重要性得分阈值而导致的不确定性。 最后, 采用收敛速度快、 控制参数少的粒子群算法作为最优特征子集的优化方法, 同时对粒子群算法做了两方面改进: 引入混沌模型增加种群的多样性, 提高了PSO的全局搜索能力, 避免陷入局部最优; 将特征数目引入到适应度函数中, 在迭代前期通过惩罚因子调节特征数目对适应度函数的影响, 提高了算法的适应能力。 将分层后的数据以特征子集为单位, 依次累加并作为改进粒子群算法的输入, 从而选择出高辨别力的特征子集。 以烟碱指标为例进行了特征选择过程的描述, 实验采用尼高力公司的Antaris Ⅱ近红外光谱仪进行近红外光谱数据的采集, 光谱扫描范围为4 000~10 000 cm-1。 首先, 利用互信息理论计算全光谱1 557个特征对待测指标定量建模的重要性得分, 得分取30次实验的均值。 其次, 将所有特征按照重要性得分降序排序, 计算所有特征的跳跃度, 依据跳跃度寻找特征分层的临界点, 将特征划分到不同的特征层中, 构建了包含8个特征子集的特征集合S={S′1, S′2, S′3, S′4, S′5, S′6, S′7, S′8}。 然后, 依次将特征子集S′1, {S′1, S′2}, {S′1, S′2, S′3}, …, {S′1, S′2, S′3, S′4, S′5, S′6, S′7, S′8}作为初始粒子群的候选集, 以R/(1+RMSEP)作为特征子集优劣的评价标准, 各自重复实验50次, 比值最大的特征子集即为最优特征子集。 为验证该算法的有效性, 选取了具有代表性烟叶近红外光谱数据作为训练集和测试集, 建立了烟碱、 总糖两个指标的PLS定量模型, 并分别与全光谱、 分层后的特征光谱、 粒子群算法选出的特征光谱进行了比较。 仿真结果表明, 本算法所选特征烟碱、 总糖的建模相关系数r分别为0.988 5和0.982 2, 交互验证均方差RMSECV分别为0.098 4和0.889 3, 预测均方根误差RMSEP分别为0.100 7和0.901 6, 模型准确率均明显高于其他三种方法。 从所选特征数来看, 该算法所选特征数最少, 有效剔除了原特征集中的弱相关和噪声、 冗余信息, 所建模型的主因子数最少, 降低了模型的复杂性, 模型更加稳健, 适应性更广。

针对以往卷烟产品质量监控效率低、时间长、缺少可视化结果展示等问题, 将近红外光谱分析技术应用到产品稳定性控制中, 提出了一种指纹图谱特征提取新方法。首先将卷烟近红外光谱进行主成分降维, 并以雷达图可视化形式描述产品质量稳定性趋势, 保证了图谱数据整体性与模糊性的统一。进而对包含样本全局信息的图形重心特征进行提取, 实现了对样本间内部结构的展示, 并建立了质量稳定性及异常类型的判别模型。实验结果表明, 和其他方法相比, 该特征提取方法取得了更好的识别效果, 可用于卷烟产品质量监控和真伪鉴别中。

在低温常压条件下,以ITO玻璃为衬底,采用电化学法与湿化学法结合的两步化学沉积法制备了团簇状ZnO薄膜。利用XRD,SEM分析了薄膜结构和表面形貌,并采用二极管结构在高真空条件下对薄膜进行了场发射性能测试。稳定发射后,开启电场为3.0 V/μm。当电场为5.8 V/μm时,电流密度为583.3 μA/cm2。研究表明：两步化学沉积法低温制备ZnO薄膜是可行的,且该薄膜具有良好的场发射性能。