耐热钢微观组织及机械性能会随着服役过程发生退化，对老化状态的实时快速监测对安全运行及生产具有重要意义。基于便携式激光诱导击穿光谱（LIBS）设备对获取的T91光谱特征进行降维并优化了老化等级评估模型，实现了对T91耐热钢老化等级的快速诊断。分别采用主成分分析与线性判别式分析（LDA）的降维方法，对光谱特征进行优化精简。而后基于降维后的数据，进一步采用K最近邻算法和支持向量机（SVM）算法来建立金属老化等级评估模型，讨论了建模关键参数选择对模型性能的影响。结果表明，经过LDA降维的光谱数据能实现更好的聚类分布，可有效提高评估模型的准确率。同时，应用LDA-SVM模型能获得最高的老化等级评估准确度，达94.58%。所采用的模型建模方法可有效实现基于便携式LIBS的T91耐热钢老化等级评估。

不同品种茶叶因其所含的有机化学成分不同, 其效果也会有差别。 所以, 寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。 近红外光谱(NIR)分析是一种无损检测技术, 能很好的鉴别茶叶品种。 使用NIR光谱仪采集茶叶的NIR数据。 为了对包含噪声信号的茶叶近红外光谱进行准确鉴别, 提出了一种模糊线性判别QR分析的新方法, 可以对茶叶近红外光谱进行准确分类。 通过使用模糊线性判别分析（FLDA）将由主成分分析（PCA）压缩的茶叶近红外光谱数据进行降维, 由模糊线性判别分析得出的特征向量构建鉴别向量矩阵, 对鉴别向量矩阵进行矩阵的QR分解, 得到新的鉴别向量矩阵。 经过模糊线性判别QR分析后使用K近邻算法进行分类, 具有准确率高等优点。 以岳西翠兰、 六安瓜片、 施集毛峰和黄山毛峰四种茶叶为研究样本, 每类65个, 茶叶样本总数为260个。 采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理, 采用多元散射校正, 由于采集到的茶叶光谱数据存在散射干扰。 以此得到的近红外光谱数据的维数为1557维, 通过主成分分析压缩数据集的维数, 使得光谱数据集的维数达到7维。 经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取, 使得光谱数据的维数降低到3维。 利用K近邻算法对茶叶样本进行分类, 实现对茶叶品种的准确分类。 最后进行三种算法分析结果的比较, 分别是主成分分析结合K近邻算法、 主成分分析和线性判别分析结合K近邻算法、 主成分分析和模糊线性判别QR分析结合K近邻算法。 在权重指数m=2, K=1条件下, 最后的分类准确率分别为83.89%, 87.78%和98.33%。 实验结果显示: 模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析, 其展现出来的效果比主成分分析和线性判别分析表现的效果更好。

提出了一种基于K近邻算法的相位编码连续变量量子密钥分发量子态识别方法。算法利用接收量子态的相位特征实现识别，首先由已知相干态构成的训练集进行学习，再根据未知量子态提取出的相位特征进行分类。推导了基于K近邻的识别方法在集体攻击与反向协调下的安全码率，比较了该方法应用于四态协议和八态协议下，在不同传输距离、调制方差、过量噪声下的性能。数值仿真结果表明，该方法能够有效生成安全密钥，当安全码率为10^-5比特每符号时，传输距离可达到250 km。

针对室内可见光指纹定位系统中加权K最近邻（WKNN）算法用欧氏距离不能有效表示各测量点间实际距离的问题，提出了一种基于加权欧氏距离度量的改进WKNN算法。该算法根据接收信号强度随实际距离变化的衰减特性，为不同的信号强度差值分配不同的加权系数。仿真结果表明，在相同的环境条件下，相比基于欧氏距离和曼哈顿距离的WKNN算法，改进算法的平均定位误差分别降低了37.5%和34.3%。

如今，世界各国人口老龄化问题日益严重，为了避免独居老人发生意外，老人日常动作监测和识别算法成为了研究热点。本文设计了一种基于低分辨红外传感器的动作识别方法，通过红外传感器采集探测区的温度分布数据，对温度分布数据进行处理，从时间、温度、形变和轨迹 4个方面提取多个特征，最后通过 K近邻算法对“行走”、“弯腰”、“坐下”、“站起”和“摔倒” 5种动作进行分类。实验结果表明平均识别准确率可达到 97%，其中摔倒动作的识别准确率为 100%。

将Kmeans聚类算法和传统的K近邻(KNN)算法相结合,提出一种适用于能量自持续室内可见光定位(VLP)系统的融合算法。该算法兼顾低复杂度和高精度,在使用Kmeans聚类算法对专门设计的指纹库进行划分实现粗定位的基础上,使用KNN定位算法进行精准定位。将所提Kmeans-KNN融合算法引入到搭建的能量自持续VLP系统,分析不同条件下系统的定位性能。结果表明,与传统KNN定位算法相比,采用Kmeans-KNN融合算法后,系统的平均定位误差位为0.141 m,定位精度明显提高,同时算法计算量减少了94.7%,系统耗能因此大幅降低,利于VLP系统高精度能量自持续定位的实现。

随着天文学的发展以及天文望远镜观测能力的提升, 国内外许多大型巡天望远镜将产生PB级的恒星光谱数据。 恒星光谱是来自恒星的电磁辐射, 通常由连续谱与吸收线叠加而成, 其差异源于恒星的有效温度、 表面重力加速度以及元素的化学丰度等。 恒星光谱自动分类是天文数据处理的一项重要研究内容, 是研究恒星演化和参数测量的基础。 海量的恒星光谱对分类方法提出了高效、 准确的要求。 传统的人工分类方法存在速度慢、 精度低等缺点, 已经无法满足海量恒星光谱特别是低信噪比恒星光谱自动分类的实际需要, 机器学习算法目前已经被广泛地应用于恒星光谱分类。 恒星光谱的一个显著特征是数据维度较高, 降维不但可以实现特征提取, 而且可以降低计算量, 是光谱分类的首要任务。 传统的线性降维方法如主成分分析仅依据方差对光谱进行降维, 不同类型的光谱在投影到低维特征空间后会出现交叉现象, 而流形学习能够产生优良的分类边界, 很好地避开重叠, 有利于后续的分类。 针对光谱数据维度较高的特点, 研究了光谱数据在高维空间内的分布以及流形学习对高维线性数据降维的原理, 比较了t-SNE和主成分分析两种降维方法对光谱数据降维的效果, 并使用基于属性值相关距离的改进的K近邻算法进行光谱分类, 最终对实验结果进行了分析并使用多种机器学习分类器进行比较和验证。 采用Python语言及Scikit-learn第三方库实现了算法, 对SDSS的12 000条低信噪比的恒星光谱进行实验, 最终实现了光谱数据的高精度自动处理和分类。 实验结果表明, 对于光谱数据的降维处理, 基于流形学习的t-SNE方法能够在高维光谱数据中恢复低维流形结构, 即找出高维空间中的低维流形, 并解出与之对应的嵌入映射, 在降维过程中最大程度地保留不同类别光谱样本之间的差异从而产生明显的分类边界。 特征提取后, 使用机器学习分类器能够在测试数据集上达到满意的分类准确率。 所使用的方法也可以应用于其他的巡天望远镜产生的海量光谱的自动分类以及稀少天体的数据挖掘。

随着人口老龄化的到来, 为了避免发生意外事故, 对老人日常活动行为进行识别和监测的安全监护系统的需求不断增长。传统的基于摄像头拍摄或者穿戴式传感器的活动状态监测系统存在着隐私保护和使用不方便等不足。为此, 本文设计一种基于红外阵列传感器的人体行为识别系统。该系统通过检测环境中的温度分布和变化情况识别人体行为, 不需要在老人身上佩戴任何设备, 尺寸小易于安装, 在黑暗环境中可正常工作, 且由于采集到的是低分辨率信息, 不会造成隐私泄露, 对比传统方案具有明显优势。从采集到的温度分布信息中提取特征并采用 K最近邻( K-Nearest Neighbor, KNN)算法实现了“走”、“坐”和“跌倒” 3种状态的识别。实验结果表明平均准确率可达到 95%, 其中跌倒准确率为 97.5%, 行走准确率高达 100%, 坐下准确率为 92.5%。

拉曼光谱技术在法庭科学中有着广泛的应用。采用显微激光拉曼光谱分析技术和K近邻算法对25个塑钢窗样本进行研究。通过主成分分析提取到5个主成分,并运用训练样本为测试样本的方法进行交互验证。当K=1时,测试样本的出错率最低,以区分贡献值最高的三个特征变量为参数建立分类模型,实现了对未知变量的准确归类,模型总分类准确率可达71%,区分效果良好,比直接通过谱图比较得到的结论更加准确。