为建立快速近红外光谱定量分析模型, 特征波长筛选是提高定量分析预测精度较为有效的方法之一。 它能够筛选出有效波长信息, 减少数据冗余、 提高数据有效性。 随机森林(RF)作为一种集成算法, 可根据计算特征重要性进行特征筛选。 RF将基于袋外数据(OOB)的平均精度下降(MDA)方法计算均方误差平均值作为特征重要性结果, 通过设置特征重要性阈值筛选特征变量构成特征波长子集, 但该阈值范围的设定无理论依据, 因此需要对特征重要性阈值范围进行探究。 另一方面, 由于RF的随机特性, 特征波长子集中可能包含无效甚至是干扰变量, 并不能保证所选变量的有效性。 故而进一步提出RF-iPLS波长筛选方法。 区间偏最小二乘法(iPLS)筛选出的特征波长多为连续特征波段的特性, 对特征波长子集划分区间, 弥补RF因自身随机性造成的无效变量问题； 同时, RF筛选的离散特征波长解决了iPLS筛选的连续波段中含冗余信息的问题。 为了说明RF-iPLS算法的合理性, 特征子集经过蒙特卡洛(MC)方法500次样本特征采样后, 构建RF-MC-iPLS算法。 虽然RF-iPLS与RF-MC-iPLS算法结构接近, 但运行时间缩短了11.12%, 结果说明RF-iPLS算法在预测模型中的特征波长筛选是有效的, 且具有较低的时间复杂度。 为了进一步验证改进的RF-iPLS算法的有效性, 应用一组公开谷物蛋白质近红外光谱数据, 建立PLSR模型, 并与全谱的PLSR模型以及基于不同波长筛选方法的PLSR模型进行比较。 实验结果表明, 相比于全谱的117个波长, RF-iPLS优选出12个特征波长, 建模集的RMSEC从2.61降到0.64, 预测精度提升了约75.5%, 预测集的RMSEP从2.63降到0.69, 预测精度提升了73.8%, 极大地提高了预测精度且预测结果最优, 说明RF-iPLS是一种有效的特征波长筛选方法, 可以简化近红外光谱定量分析模型的复杂度并实现高效降维。

为了通过植被指数（VI）准确、 可靠的获取不同施肥梯度、 不同品种的水稻叶面积指数（LAI）, 提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。 首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型, 再通过引入组合动态旋转角策略、 单点混沌交叉操作、 混沌变异操作、 确定性选择策略、 量子灾变操作对量子遗传算法（QGA）进行改进, 最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。 为了验证该模型普适性和有效性, 依次建立多元线性回归、 BP、 ELM、 QGA-ELM、 改进的QGA-ELM算法5种模型, 并在不同数据集上进行反演效果比较, 结果表明: （1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程, 改进的算法能有效提升模型寻优能力, 避免算法早熟, 且能寻得更优结果。 （2）对比五种算法在不同数据集上的反演效果, 验证了NDVI, RVI与LAI之间主要为非线性关系, 且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。 （3）对比五种算法在不同数据集上的反演效果, 改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差, 改进后的算法反演精度得到了明显提升, 泛化性能也得到了增强。 （4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差, 且精度较高, 能为不同生长状况水稻LAI反演提供依据。 （5）五种模型对庆和香LAI反演精度均要高于龙稻18, 而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度, 且在不同水稻品种上反演精度相差极小, 远低于其他四种模型, 能很好适应不同水稻品种LAI反演要求, 极大提升模型的稳定性性, 为不同水稻品种反演提供参考意义。

稻瘟病是世界公认的水稻重大病害之一。 实现稻瘟病害的早期分级检测, 对水稻病害早期防治及精准用药具有重要意义。 以大田自然发病水稻为研究对象, 采集稻瘟病发病早期染病叶片和健康叶片, 获取所有叶片样本在400~1 000 nm波段内的高光谱图像并提取光谱数据。 水稻在染病之初不会立刻出现病斑, 无法识别采集到的无斑叶片是否染病。 为实现对自然染病叶片早期无病斑状态的识别, 提出取染病叶片贴近病斑的非病斑区域高光谱数据作为染病等级中的1级样本进行检测分析。 按照病斑面积将样本划分为4个等级: 健康叶片为0级(109片)、 染病无病斑为1级(116片)、 病斑面积小于10%为2级(107片)、 病斑面积小于25%为3级(101片)。 运用主成分分析(PCA)和竞争性自适应重加权(CARS)算法进行特征变量选取, CARS提取的特征波段较多, 利用PCA算法对其进一步降维。 分别以全谱数据、 PCA提取的4个、 8个、 CARS选择的21个、 CARS-PCA提取的6个特征变量为输入, 建立水稻稻瘟病早期高光谱支持向量机(SVM)、 PCA4-SVM、 PCA8-SVM、 CARS-SVM和CARS-PCA-SVM检测模型。 结果显示, 所有模型对各级样本的检测准确率均较高, 其中, 对1级样本的检测准确率与其他级别相当, 识别效果较好; 所有模型的样本总体准确率均大于94.6%, CARS-SVM模型的总体准确率最高为97.29%, CARS-PCA-SVM模型为96.61%略低于CARS-SVM模型, 但其输入变量仅为6个, 较CARS-SVM的21个减少71.43%, 模型更为简洁、 更利于提高检测速度。 因此, 综合评价CARS-PCA-SVM模型最优, 各级准确率分别为97.30%, 94.87%, 94.29%和100.00%。 结果表明, 所建模型检测准确度较高, 可以实现对大田自然发病的稻瘟病早期分级检测, 为稻瘟病染病之初无病斑叶片的检测提供新思路, 为水稻稻瘟病早期防治、 精准施药及检测仪器开发提供理论依据。

粗蛋白(CP)是评价牧草营养价值和品质参数的关键指标。 快速、 准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。 为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型, 研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场(羊草)内每月随机选取35个样本, 5个月共采集175个样本。 采样时在样本点处放置1 m×1 m的样方, 将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。 将样本带回实验室后, 立即进行牧草叶片高光谱图像采集, 同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定, 以此建立牧草粗蛋白含量高光谱数据集。 研究首先通过Savitzky-Golay卷积平滑(SG)、 多元散射校正(MSC)、 变量标准化(SNV)、 一阶导数(1-Der)和直接正交信号校正(DOSC)方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归(PLSR)检测模型, 从中确定最优预处理方法。 利用最优预处理结果, 分别采用连续投影算法(SPA)和随机蛙跳算法(RF)进行牧草粗蛋白含量的特征波段选择, 并利用选择结果分别进一步建立PLSR模型, 以此确定适合粗蛋白含量的特征波段选择方法, 确定最优高光谱检测模型。 结果表明, 在五种高光谱预处理方法中, 基于SNV方法预处理后所建立的高光谱PLSR模型表现最优(R2-P=0.929, RMSE-P=6.344 mg·g-1, RPD=4.204)。 利用连续投影算法筛选的粗蛋白含量特征波长为30个, 分布于530～700和940～1 000 nm范围内。 经随机蛙跳算法确定的粗蛋白含量特征波段为6个, 分别为826.544, 827.285, 828.766, 971.012, 972.494和973.235 nm。 因此, 该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR(R2-P=0.933, RMSE-P=6.034 mg·g-1, RPD=4.322), 模型精度较高。 该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础, 同时为指导草业生产开拓了新的技术思路。

为了进一步揭示超声振动辅助磨削加工机理，建立了超声振动辅助磨削亚表面损伤深度与断裂韧性的预测模型，设计几何形状随机的单颗磨粒超声振动压痕实验和超声振动辅助磨削实验，调查两种情况下K9光学玻璃压痕变形区域形貌特征，提出一种适用于超声振动和非超声振动两种加载条件的等效断裂韧性计算方法，并通过超声振动辅助磨削实验来验证预测模型的可靠性。实验结果表明，超声振动可以有效增加K9光学玻璃抵抗断裂的能力，降低亚表面损伤程度，且预测模型与实验结果具有良好的一致性。

为了进一步掌握光学玻璃材料超声振动辅助磨削亚表面损伤机理, 设计常规和超声振动条件下维氏压痕实验, 调查两种情况下K9光学玻璃压痕形貌特征; 采用磁性复合流体抛光方法检测K9光学玻璃压痕区域的中位裂纹深度, 对常规压痕系统中位裂纹模型进行两次系数修正, 获得超声振动条件下的维氏压痕系统中位裂纹深度模型.通过超声振动维氏压痕实验计算静态和动态断裂韧性, 得到两种加载条件的一次修正系数分别为0.08和0.06; 结合检测中位裂纹深度实验结果拟合获得的两种条件下二次修正系数数值接近, 分别为94.75和94.50.结果表明该模型对超声振动和加工条件具有良好的识别度.

利用可调谐半导体激光吸收光谱(TDLAS)结合平衡差分探测技术测量了1.578 μm附近的CO气体3-0带P(4)跃迁在不同压强和不同浓度下的吸收光谱信号。 由于平衡差分探测方法可以有效地抑制激光光强波动、 温度漂移和机械振动等共模噪声, 从而提高了光谱探测灵敏度。 通过与直接吸收信号相比, 平衡差分的信噪比提高了3.4倍, 探测极限为87 ppmv。 测量了浓度为1%压强为40, 55, 70和85 Torr时的CO气体, 结果显示在70 Torr时其光谱信号最强。 并且, 利用直接吸收和平衡差分技术测量了不同浓度的CO气体在总压强在70 Torr时的光谱信号, 发现平衡差分技术光谱强度与浓度的关系线性度符合较好, 其测量误差小于5%。 为了进一步验证系统的稳定性, 连续采集了324 s的光谱信号, 最后通过Allan方差分析, 发现本实验系统的最佳探测时间为38 s, 探测极限为47.8 ppmv。

压缩感知是针对稀疏或可压缩信号进行采样的同时即可对信号数据进行适当压缩的新理论,重建算法是其中关键的一部分,对采样过程中的准确性验证有着重要的意义。在研究和总结目前已有重建算法的基础上,提出了一种新的基于贪婪追踪的变步长自适应匹配追踪(VssAMP)算法。该算法通过可变步长及双重阈值控制重建精度,在信号稀疏度未知的前提下,即可对信号进行精确重建。实验结果表明,在相同条件下该算法的主客观重建效果均优于现有同类方法。