针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法。所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位。利用核主成分分析K-means++(KPCA-K-means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值。通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优。仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为-28.6 dBm~-25.1 dBm,定位误差小于0.1 m。因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点。

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。

针对太赫兹光谱线性不可分的情况, 提出结合径向基函数和核主成分分析（KPCA）的方法进行食用油太赫兹光谱特征提取。 该方法所提取到的特征类内距离小, 类间距离大, 在大多数支持向量机（SVM）分类器可以建立准确的分类模型。 太赫兹光谱是检测食用油种类和品质的一种重要手段, 研究针对食用油太赫兹光谱的特征提取技术对于食用油种类和品质快速检测具有重要意义。 虽然利用太赫兹光谱检测食用油种类和品质已经具备理论基础, 但是如何准确提取食用油太赫兹光谱的特征, 从而建立更加准确的分类模型依然是一个难点。 目前研究人员常常采用化学计量学中的主成分分析法(PCA)提取特征, 结合机器学习的方法建立物质分类模型。 然而, 食用油的太赫兹光谱的线性可分情况在不同频段有不同的特性。 当食用油的太赫兹光谱线性可分时, 使用PCA提取特征是可行的, 容易建立准确的分类模型。 但是, 当食用油的太赫兹光谱线性不可分时, 使用PCA提取到的特征往往不够准确, 需要选择合适的分类器去建立准确的分类模型。 结合径向基函数和KPCA的特征提取方法通过径向基函数将线性空间不可分的太赫兹光谱数据映射到径向基空间, 然后使用KPCA提取特征, 最终实现特征线性可分, 从而可以建立更加准确的分类模型。 实验首先使用滑动窗口平均滤波算法对3种食用油太赫兹光谱数据进行滤波处理, 接着使用径向基函数对太赫兹光谱进行非线性映射, 然后采用KPCA进行数据降维, 最后用支持向量机对食用油建立分类模型, 验证特征提取效果。 类间可分性计算结果表明, 该方法所提取的特征类内距离更小, 类间距离更大, 整体上特征提取效果优于PCA和KPCA。 基于不同内核的SVM模型上进行分类验证的实验结果表明, 在PCA和KPCA提取的特征在一些分类模型上无法准确区分食用油种类的情况下, 该工作特征提取方法在各种内核的SVM模型上均能准确区分食用油种类。 所提出的方法用于食用油太赫兹光谱特征提取有更好的效果, 在食用油品质检测与分析方面具有良好的应用价值。

目前, 我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判, 但此法缺少科学理论的依据, 效率低, 客观性及出材率的提高等方面受到限制, 无法满足乐器市场的大量需求。 实现古筝面板用木材快速、 智能化的分级工作是一个急需解决的课题。 近红外光谱非常适用于测量含氢的有机物质。 古筝面板木材主要化学成分的化学键均由含氢基团组成, 不同等级板材的化学成分存在差异, 这些差异反映在近红外光谱中, 为判断木材等级提供了可能。 同时卷积神经网络对非线性数据具有较强的特征提取能力, 所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法, 进而判别木材的等级。 应用了Savitzky Golay一阶、 二阶微分两种预处理方法和核主成分分析、 连续投影算法两种数据压缩方法, 通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。 为了提高模型提取分析光谱数据的能力和避免过拟合现象, 应用了多通道卷积核、 批量归一化和early stopping策略, 将通过两层卷积层提取的特征信息送入全连接层, 从而充分提取剩余信息, 通过Softmax函数获得板材的最终预测等级, 从而确定了最终模型。 最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法, 同时得出用于区分不同等级的古筝面板用木材的主要关键谱带, 分别为1 163～1 243, 1 346～1 375和1 525～1 584 nm。 将该模型应用于测试集样本, 古筝面板用木材的等级识别准确率为95.5%。 实验结果表明所提出的方法可以高效地处理光谱数据, 有效识别区分不同等级的古筝面板用木材的关键特征, 从而为广阔的乐器市场提供一定的技术支持。

对基于核熵成分分析的光谱反射率重建方法进行了研究,分别采用主成分分析方法和核主成分分析方法构建光谱反射率重建算法进行颜色重建研究,并与基于核熵成分分析算法的光谱反射率进行比较。实验结果表明,基于核熵成分分析的光谱重建算法在色度精度和光谱精度上均优于主成分分析和核主成分分析,对物体表面颜色的真实重建具有一定的应用价值。

在雷达目标识别中, 利用核主分量分析(KPCA)方法来进行目标特征提取, 忽略了高分辨率距离像(HRRP)的本身特性。提取一种平移不变特征-中心矩作为特征向量, 采用KPCA进行特征降维; 由于BP神经网络易陷入局部极小, 采用遗传算法(GA)对BP网络节点权值和阀值进行优化选择。基于雷达实测数据的实验结果表明: 平移不变的KPCA特征提取方法实现了平移不变和降维的结合, 同时, 利用GA优化BP神经网络提高了分类器稳定性改善易陷入局部最小的缺陷, 提高了雷达目标识别的性能。

提出了一种小波包特征能量算子和多核函数组合KPCA的声目标特征参数提取方法。首先对声目标信号采用小波包能量特征算子进行特征参数提取, 然后将组合核函数应用于核主成分分析。实验数据表明, 基于小波包能量特征和多核函数组合KPCA特征参数不仅大大降低了特征向量的维数, 并且有效地提高了识别率, 降低了计算复杂度。

奶粉的真伪和掺伪近年来受到广泛的关注, 研究一种操作便捷, 能准确、 快速、 全面鉴定奶粉品牌并实现奶粉掺假鉴别的新方法对于奶粉的质量控制具有重要的意义。 为实现奶粉的真伪鉴别, 采集三种品牌奶粉贝因美、 飞鹤和雀巢的拉曼光谱, 并利用拉曼谱图特征峰结合最近邻算法（nearest neighbor, NN）的模型对三种品牌奶粉进行识别, 在10次交叉验证的基础上, 平均识别率为99.56%。 为实现奶粉的掺伪分析, 将飞鹤奶粉与雀巢奶粉按不同质量比（0∶1, 1∶3, 1∶1, 3∶1, 1∶0）混合成五种掺伪奶粉, 提取掺伪奶粉中的脂肪, 采集脂肪样本的拉曼光谱, 分别使用拉曼谱图特征峰结最近邻算法的模型和核主成分分析（kernel principal components analysis, KPCA）结合最近邻算法的模型对五种脂肪样本进行识别, 10次交叉验证下的平均识别率分别为93.33%和98.89%, 平均运算时间分别为0.085和0.104 s。 实验证明: 特征峰结合NN的算法可以快速实现对奶粉真伪的判别, 但此算法不能很好的区分掺伪奶粉; 拉曼光谱-KPCA-NN模型可以为奶粉的掺伪检测提供一种简便、 准确、 快速的方法。