针对移动机器人在进行传统2D环境的定位时所存在的定位精度低且定位实时性差等问题，提出一种改进的迭代近邻点（ICP）算法的定位方法。首先，建立位姿搜索空间，采用由低到高的分辨率对搜索空间进行逐层搜索，并结合多点云密度进行部分点云扫描匹配，排除非最优位姿，加速搜索过程；在进行点云匹配中，采用帧对图的方式，有效地利用了历史帧信息；对得到的最优位姿进行稀疏矩阵位姿优化，进一步提高定位精度。在SLAM Benchmark数据集上进行测试，结果表明所提方法的算法效率是现流行的Cartographer算法的1.8倍到4.9倍之间，同时平移误差较小。并利用Turtlebot2机器人进行实际测试，结果表明所提方法的定位误差相比Cartographer和Gmapping均有明显的降低，且实时性较好；与传统的自适应蒙特卡罗重定位（AMCL）相比，平移误差均值降低了0.035 m，旋转误差均值降低了0.001 rad，具有较高的重定位精度。

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。

提出了一种基于K近邻（K‑nearest neighbors，KNN）算法和相位敏感光时域反射（Phase‑sensitive optical time domain reflectometry，φ‑OTDR）系统的高铁声屏障故障识别方法。设计了V字型光缆敷设方式，能够感知声屏障不同高度吸声板在脉动力冲击下的振动，并利用φ‑OTDR系统采集振动信号。对振动信号进行多域特征提取以及K近邻分类后，可以实现对声屏障故障状态识别。实验结果表明，在复杂场景下对于故障点的识别正确率达到了90.9%。该方法为声屏障故障识别提供了一条可行的技术路线，能够减少对专业人员的依赖，对于提升高铁声屏障智能运维水平具有重要意义。

可溶性固形物含量（SSC）是反映苹果品质和成熟度的重要生理指标, 能够用于苹果品质分析和成熟度预测。 以新疆阿克苏冰糖心红富士苹果为研究对象, 从果实膨大定形期至完熟期, 以等间隔周期3 d采摘样本, 测其380~1 100 nm的可见/近红外光谱和SSC, 共552个样本。 然后融合分数阶微分（FD）及置换重要性-随机森林（PIMP-RF）算法, 构建成熟期苹果SSC预测的集成学习模型。 结果表明, 基于PLS模型优选的分数阶微分阶次为0阶、 0.4阶、 1.1阶和1.6阶, 且通过PIMP-RF算法进行特征重要性和可解释性分析结果显示, 利用可见/近红外光谱预测成熟期苹果SSC的关键波长主要为可见光波段, 这为今后研发新疆冰糖心红富士苹果的快速无损检测设备提供参考； 基于分数阶微分技术和PIMP-RF算法构建的成熟期苹果SSC集成学习模型具有很好的预测能力, 其训练集的相关系数r等于0.989 2, 平均绝对误差MAE等于0.241 2, 均方根误差RMSE等于0.309 1, 平均绝对百分误差等于0.018 3； 测试集的相关系数r等于0.903 8, 平均绝对误差MAE等于0.549 9, 均方根误差RMSE等于0.740 8, 平均绝对百分误差等于0.043 4, 相比于FD0-PIMP-RF、 FD0.4-PIMP-RF、 FD1.1-PIMP-RF和FD1.6-PIMP-RF模型, 集成学习模型为最优。 故而, 集成分数阶微分技术与PIMP-RF算法, 结合可见近红外光谱技术可有效地实现成熟期苹果的可溶性固形物含量预测。

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。

针对传统LiDAR里程计（LO）测量方法在处理无初值、长序列点云配准时存在精度低、稳定性差等问题，本文引入端到端点云配准网络（HRegNet），提出一种基于深度神经网络的LO测量方法——HRegNet-LO算法，以期实现更加准确、鲁棒的LO测量。所提算法由两个核心模块组成：前端计算和后端优化。在前端scan-to-scan配准中，主要是依据原始点云的3D坐标，采用HRegNet网络，计算出相邻两帧点云的初始转换矩阵，实现LO初始位姿计算；在后端scan-to-map配准中，主要是通过提取特征点构建特征地图，应用迭代最近邻点（ICP）算法，每间隔一定距离对初始位姿进行优化，以减小预估轨迹中的漂移。在Kitti odometry数据集上对所提算法的性能进行了评估，并与LOAM、F-LOAM等算法作对比分析。实验结果表明，所提算法相对旋转、平移误差分别在0.003°/m和1%左右，每帧位姿计算耗时约为100 ms，可以满足LO测量对于精度和实时性的要求。

针对激光雷达因为颠簸等路面原因突然转向和做摇摆运动所造成的运动漂移问题，提出一种基于连续时间样条约束的改进激光里程计。在运动非连续性假设下，基于扫描关键帧和样条分割来提高点云匹配精度，然后添加样条约束，基于改进迭代最近邻（ICP）算法进行帧与地图匹配，有效抑制运动轨迹的漂移。在KITTI里程数据集和实验室采集的里程数据集上的实验结果表明，所提激光里程计改进算法分别使运动轨迹的全局平均误差降低了12.43%、29.40%。与目前基于几何特征的方法相比，所提改进激光里程计稳定且有效抑制了运动轨迹漂移，改善了激光里程计性能。

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。