多模式探测成为目标探测识别领域重点发展的技术手段之一，其中视距模型的优选成为指导探测器件设计的重要依据。本文以飞翼布局的低特征飞行器为研究对象，采用计算流体动力学（CFD）方法结合辐射平衡壁面模型预测本体温度，结合MODTRAN大气红外衰减数据库，采用视在光线（LOS）法计算考虑壁面遮挡效应的辐射传输，建立基于噪声等效辐照度（NEFD）、最小可探测温差（MDTD）和最小可分辨温差（MRTD）的地基探测视距模型，计算探测系统对低特征飞行器的最大探测距离和最大探测天顶角。结果表明：低特征飞行器在典型飞行工况下的光谱辐射强度在长波波段（8~12 μm）较中波波段（3~5 μm）辐射积分强度高出2个数量级；NEFD视距模型在长波波段的探测距离高出中波波段近1个数量级，MDTD和MRTD视距模型在中长波波段探测距离基本一致；三种视距模型在长波波段对应的探测能力依次为NEFD>MDTD>MRTD；在中波条件下MDTD视距模型的探测距离最大，对飞行器底部的探测距离约为57 km；MRTD视距模型在观察等级为辨认时无法辨别飞行器具体类型。该研究可为低特征飞行器的探测识别以及探测器的设计提供理论支撑。

以近红外光谱技术在油茶籽粕检测中的应用为研究对象，在简单介绍近红外光谱技术的原理、特点及分析过程的基础上，详细阐述了该技术在油茶籽粕检测中的建模过程，为后续工作者更好地建立油茶籽粕近红外光谱分析模型提供理论依据和指导。同时，通过分析近红外光谱技术在油茶籽粕检测指标、标准制定以及模型转移技术中的发展，总结出该技术在油茶籽粕检测中的三个研究方向：开拓新项目的模型建立、制定普遍适用的标准、解决台间差并完成模型转移。油茶籽粕广泛应用于动物饲料、特医食品、保健食品等行业，因此大力开拓和推广近红外光谱技术在油茶籽粕检测中的应用是必然趋势。

随着生活和消费水平提高, 消费者对于乳制品食品安全及品质的要求越来越高。 原料奶质量直接影响乳制品的生产与消费安全, 在牛奶收储及生产环节都需要对各种非法添加物进行严格检测, 以保证产品质量。 目前常用的检测方法主要以化学法与仪器分析方法为主, 需要针对不同类型添加物设计前处理步骤, 过程繁琐, 检测效率低, 无法满足实时在线需要。 针对多种类掺假异常牛奶样品实时在线检测需要, 研究了基于中红外光谱的非靶向检测方法。 实验样品选择蒙牛公司六个奶质稳定的奶源地收集到的天然原奶样品, 并配制含有多种掺假物的异常牛奶样品集。 采集样品中红外光谱, 并针对在线检测过程中的干扰来源, 选择平滑滤波、 多元散射校正、 基线校正及归一化等预处理方法, 提高光谱信噪比与一致性。 为了提高非靶向模型识别准确度及稳健性, 根据牛奶样品中红外光谱特征, 选择无信息变量消除（MC-UVE）、 无变量信息消除-连续投影（UVE-SPA）与竞争自适应重加权采样（CARS）三种方法, 筛选原始光谱中的特征波长变量。 在得到的不同特征波长变量组合的基础上, 分别建立基于偏最小二乘判别（PLS-DA）及支持向量机（SVM）的鉴别模型, 对多种掺假物异常牛奶样品进行非靶向鉴别。 实验结果表明, SVM模型鉴别准确度优于PLS-DA, CARS方法筛选得到的变量组合应用于不同鉴别模型的效果均较优, 与SVM模型结合对训练集与测试集的分类准确率分别达到97.84%与94.55%。 分析特征波长变量分布可知, CARS方法筛选出的变量主要集中在异常牛奶样品光谱特征比较明显的区域。 样品误分类结果表明, 该模型组合可以较为准确识别异常牛奶样品, 具有较好的特异性。 研究结果表明, 基于红外光谱技术建立非靶向鉴别模型可以实现多种异常牛奶样品快速准确识别, 为牛奶掺假及生产过程在线检测提供了支持。

叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。

我国每年产生废旧纺织品超过2 600多万吨, 且随着经济的发展呈现逐年增多的趋势, 而其再生利用率不足10%。 废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、 快速回收和高附加值再利用的最大障碍。 人工识别分选既费时费力又不准确, 而近红外光谱分析技术可对其进行快速无损高效识别分选。 在前期探究的最佳测试条件下, 利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、 棉、 毛、 锦纶、 真丝、 粘胶、 腈纶、 聚酯/毛、 聚酯/棉、 聚酯/锦纶、 真丝/棉混纺和“特殊类”共计12类1 060个废旧纤维织物样本进行在线原始近红外光谱采集。 基于采集的样本在线原始NIR谱图, 利用卷积神经网络方法, 依据输入的样本光谱数据及对应分类标签进行网络训练, 建立了12类废旧纺织品在线NIR定性识别模型。 对比一维、 二维卷积神经网络模型, 其二维模型较优, 该模型是将901～2 500 nm的一维数组归一化后转化为40×40像素的二维灰度图像, 再交替进行多次卷积和池化来进行光谱特征的提取、 压缩和数据降维。 通过模型计算得到每类废旧纺织品样本的类别概率值, 取其最大值作为该类织物的最终分类。 本模型训练过程设置为500轮, 每次取32个样本图像, 学习率为0.001。 训练后输出预先设定的12类织物标签, 所建模型的内部训练准确率可达96.2％。 为了验证模型的适用性, 用232个未参与建模的织物样品进行预测检验, 其识别正确率达96.6％。 将该模型导入“纺织品在线主控程序”后, 可对建模样本所涵盖的12类织物进行成分识别与自动分选, 每个样品的识别和分选时间小于2 s。 模型的建立和装置的应用为我国废旧纺织品的回收再利用提供了一种全新的分选技术和装备。

以番茄可溶性固形物含量（SSC）的无损速测为例， 分别采用线性渐变分光（LVF）、 数字光处理（DLP）近红外光谱仪对大、 小番茄采集近红外光谱数据; 分别基于两种近红外光谱仪数据计算大、 小番茄平均光谱及差谱， 并比较两种近红外光谱仪所采集大、 小番茄近红外光谱数据的特征; 对两种近红外光谱仪的数据分别进行主成分分析（PCA）， 并比较了大、 小番茄前3主成分的得分分布; 按SSC梯度对数据进行分级， 采用偏最小二乘（PLS）回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。 结果表明: （1）大、 小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。 （2）大、 小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显， 而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。 （3）基于LVF近红外光谱数据所建各模型的相对预测性能（RPD）皆不低于2.11， 其中标准化预处理所建模型具有最佳性能， 模型维数（Nf）、 校正测定系数（R2C）、 校正均方根误差（RMSEC）、 交互验证测定系数（R2CV）、 交互验证均方根误差（RMSECV）、 RPD、 预测相关系数（RP）、 预测均方根误差（RMSEP）分别为8、 0.949 1、 0.27、 0.899 9、 0.38、 3.16、 0.882 6、 0.63; 基于DLP近红外光谱数据所建各模型的RPD皆不低于1.60， 其中标准化预处理所建模型具有最佳性能， Nf、 R2C、 RMSEC、 R2CV、 RMSECV、 RPD、 RP、 RMSEP分别为5、 0.823 5、 0.49、 0.728 6、 0.62、 1.94、 0.788 4、 0.80。 该研究可为番茄SSC的无损快速测定以及果蔬品质无损快速检测的仪器选择与评价提供一定的参考。

使用气溶胶自动观测网（AERONET）东沙站的长期观测资料，初步建立逐月的南海东沙海域气溶胶光学特性模型。长期观测数据表明，东沙海域气溶胶光学厚度（AOD）基本低于0.5，春秋两季达到峰值，夏季最低。气溶胶粒子的有效半径在春秋两季较小，其余月份在0.5 μm左右。使用三模态对数正态函数拟合区域气溶胶粒径谱，得到细模态半径为0.1 μm，中间模态半径为0.28 μm，粗模态半径为2.2 μm。基于多波段AOD观测数据，评估该模型计算所得AOD光谱和透过率误差，可见和近红外波段透过率的均方根误差（RMSE）为1%~2%，AOD的RMSE为0.01~0.03。结果表明，所建气溶胶模型可以准确描述东沙海域的气溶胶光学特性，满足工程计算的精度要求。

树木的量化模型对分析树木拓扑结构和生物量等信息非常重要。树木定量结构模型（TreeQSM）作为主流建模方法，被广泛使用，但在估计树高、胸径和体积的精度上缺少全面分析。实验中用地面激光雷达多扫描角分辨率多站点扫描2棵模型树和5棵真实杏树，通过TreeQSM建模单站和多站融合数据估计得到较精确的树高、胸径和体积参数，同时分析不同角度分辨率、不同站点数量对估计树高、胸径和体积的影响。实验结果表明：树高和胸径的平均估计精度均在90%以上；对树木体积而言，结构较为简单的模型树平均估计精度为92.00%，结构较为复杂的真实杏树平均估计精度71.32%。由实验数据可知，扫描角分辨率和融合站数对精度有一定的影响，且不同参数最优估计结果的配置存在差别，同时TreeQSM也会受到点云数据基础、数据完整性和噪声等多因素影响，特别是针对复杂分枝结构和体积进行建模时仍存在一定的偏差，所提模型的改进空间巨大。

探寻量子色动力学（Quantum Chromodynamics，QCD）相图的临界点是相对论重离子碰撞实验低能量扫描（Beam Energy Scan program in Relativistic Heavy-Ion Collisions，RHIC-BES）项目的重要实验目标。初步的实验探测发现了净质子数涨落随着对撞能量的非单调行为，定性上符合基于静态模型的理论预言，这暗示着QCD临界点的存在。由于相对论重离子碰撞是一个高速膨胀的体系，动力学效应能显著地改变QCD临界点附近的临界涨落。为最终确定QCD临界点的存在以及研究QCD在有限温有限密区域的相结构，人们发展了一系列QCD临界点附近的动力学模型。本文回顾了近年来关于寻找QCD临界点在实验测量和理论模型的进展，着重强调在临界点及一级相变区域动力学模型的发展和挑战。