Ti-6Al-4V is a benchmark Ti alloy. Laser wire additive manufacturing (LWAM) offers advanced manufacturing capability to the alloy for applications possibly including exploration of outer space. As a typical multiple-variable process, LWAM is complex, which, however, can be analyzed, predicated or even optimized by artificial intelligence (AI) methods such as machine learning (ML). In this study, printing parameters of the Ti-6Al-4V is firstly optimized using single-track-single-layer experiments, and then single-track-multiple-layer samples are printed, whose properties in terms of hardness and compressive strength are analyzed subsequently by both experiments and ML. The two ML approaches, artificial neural network (ANN) and support vector machine (SVM), are employed to predict the experimental results, whose coefficients of determination R² show good values. Further optimized properties are realized by adopting genetic algorithm (GA) and simulated annealing (SA) approaches, which contribute to high mechanical properties achieved, for instance, an engineering compressive strength of about 1694 MPa. The results here indicate that important mechanical properties of the LWAM-prepared Ti alloys can be well predicted and enhanced using suitable ML approaches.

大量的训练样本可有效缓解模型过拟合，从而提高分类效果。在初始标记样本较少的情况下，开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验，并利用初始标记样本和扩增样本训练支持向量机（Support Vector Machine, SVM）分类器，实现对高光谱数据的有效分类。该方法在Pavia University、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本，分类精度分别达到99%、99%和97%以上。实验结果表明，扩增的大量伪标签样本可以有效训练SVM分类器，提高分类效果。

研究旨在明确“赤霞珠（Cabernet Sauvignon, Vitis Vinifera L.）”葡萄健康叶片和缺磷胁迫不同时期下的光谱信号特征变化, 构建基于光谱技术的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断模型, 为葡萄园病害防治与管理提供理论参考和技术支持。 以酿酒葡萄“赤霞珠”葡萄叶片为研究对象, 分别采集了正常、 缺磷胁迫初期和末期葡萄叶的VIS/NIR反射率信息。 对比Savitzky-Golay卷积平滑（S-G Smoothing）、 移动平均平滑（MAS）、 标准正态变换（SNV）和多元散射校正（MSC）4种预处理及组合方法对于去除葡萄叶光谱信号中随机噪声的能力, 确定最佳预处理方法。 采用连续投影法（SPA）筛选与“赤霞珠”葡萄叶缺磷胁迫相关的光谱特征变量, 分别构建基于线性核函数（Linear）、 多项式核函数（Poly）、 径向基核函数（RBF）和二层神经网络核函数（Sigmoid）的支持向量机（SVM）模型, 以灵敏度（SEN）和准确率（CCR）为依据评估模型诊断性能, 形成基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法。 S-G Smoothing预处理后的光谱信号的信噪比为110.58, 以其为校正集构建的缺磷胁迫诊断模型最佳, 因此确定其为最佳的预处理方法。 采用主成分分析（PCA）计算样本光谱贡献率, 以95%置信空间为依据检测数据集中的异常样本, 最终发现并剔除了22的离群点。 通过SPA筛选出402.6、 404.6、 409、 411.5、 539.4、 691.9、 729.9、 838.7、 1 011.9、 1 017.5和1 020.5 nm等11个反映“赤霞珠”葡萄叶缺磷胁迫的光谱特征波段, 作为缺磷胁迫快速无损诊断模型的输入变量。 通过对比分析上述4种核函数SVM的诊断结果, 以Linear为核函数构建的“赤霞珠”葡萄叶缺磷胁迫诊断模型能力最佳, 对正常叶片诊断的SEN为81.08%, CCR为100%; 对缺磷胁迫早期叶片诊断的SEN为100%, CCR为84.78%; 对缺磷胁迫末期叶片诊断的SEN为100%, CCR为100%。 该研究建立了基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法, 能够满足葡萄园病害防治与智能化管理的生产需求, 为酿酒葡萄智慧农业发展提供了技术参考。

为提高利用红外光谱数据鉴别中药材产地的预测模型效果, 应该选用合适的数据预处理方法和合适的算法。 针对具有3 448个特征（波长551～3 998 nm）的658条红外光谱中药材数据, 借助于支持向量机(SVM)算法, 研究了10种基于样本预处理方法（不做预处理、 最大最小归一化、 标准化、 中心化、 移动平均平滑、 SG平滑滤波、 多元散射校正、 正则化、 一阶导数和二阶导数法）与5种基于特征波长预处理方法（不做预处理、 中心化、 最大最小归一化、 标准化和正则化）的组合（共50种）对产地模型预测精度和稳定性的影响。 结果表明: 合适的数据预处理对提高模型精度是必要的; 标准化和最大最小正则化方法光谱的预处理建模效果较好, 其预测系数值约85%; 基于特征的预处理对模型预测效果改进小。 只做光谱预处理或基于特征预处理的预测稳定性值近似相等（两类方式的决定系数平均值都近64%）; 基于样本+特征的组合预处理方法中, 二阶导数+标准化处理和二阶导数+正则化组合处理方法的模型预测效果好, 其决定系数R2达到近94%; 而中心化+正则化组合处理达不到直接采用原始数据（不做数据预处理）的建模效果, 该方法预测效果最差。 该研究的方法和结论为具有高维光谱特征的药材产地鉴别和选取有效的预处理方法提供了参考, 对进一步分析药材药效和化学成份有重要的意义, 也可供其他光谱数据分析借鉴。 也为高维小样本数据建模的前期数据处理提供了思路。

恒星光谱分类是恒星光谱分析的重要工作之一。 我国大型巡天项目LAMOST能够获得海量的恒星光谱数据， 为了对海量恒星光谱数据进行高效分类， 特别是对恒星光谱子型数据进行分类， 需要研究快速有效的恒星光谱自动分类算法。 提出一种基于Transformer特征提取的混合深度学习算法Bert+svm(简记为Besvm)实现A型恒星光谱子型的自动分类。 该算法将A型恒星光谱26个线指数作为输入特征， 应用Bert模型对26个线指数进行更深层次的学习， 通过学习26个线指数的内在关联， 进而提取到更有利于A型恒星光谱子型分类的特征。 提取好的新特征被输入到分类器算法支持向量机(简记为SVM)中， 进而对A型恒星光谱的三个子型A1、 A2和A3进行自动分类。 此前， SVM算法在恒星光谱分类任务中已经有过应用， 一些衍生的SVM算法在恒星光谱分类任务中也有较高的分类正确率。 相比从前应用到恒星光谱分类任务的SVM算法， 我们的混合深度学习算法受数据的信噪比影响较小， 使用低信噪比数据也能有较高的分类正确率， 并且所用数据量较少。 通过五组实验验证了该算法的有效性和优越性: 实验1用来对比选择优秀的核函数， 通过光谱数据的匹配实验， 最终选择了径向基核函数RBF; 实验2对比了Besvm算法和其他四种传统优秀算法的性能指标， 验证了Besvm算法的优越性; 实验3用来检验Besvm算法的稳定性; 实验4分析了数据量对Besvm算法的影响; 实验5分析了不同信噪比数据对Besvm算法分类正确率的影响。 综合实验结果分析表明， 提出的混合深度学习算法Besvm在规模较小且信噪比低的数据集上仍能保持较高的分类正确率。 Besvm总体分类错误率在0.01以下， 远低于经典传统机器学习算法LDA算法， BP神经网络算法， SVM算法和Xgboost算法的分类错误率0.7， 0.66， 0.65， 0.36.需要说明的是BP神经网络算法的分类正确率过于受限于隐层神经元的个数。

硒(Se)是人体必需的微量元素之一。 人主要通过食用农产品来获取硒, 而农产品中的硒主要来自土壤。 因此, 研究土壤中硒的含量和分布, 对人体健康和农作物生产具有重要的意义。 高光谱遥感技术的发展, 使得高效、 低成本、 大范围估测土壤中硒的含量和分布成为可能。 但是, 土壤中硒的含量对光谱的敏感性较弱, 严重影响了高光谱硒含量定量反演精度。 该研究以广东连州地区富硒土壤为研究对象, 系统采集研究区土壤样品50份, 分析土壤样本硒含量, 同步采集土壤反射光谱数据; 利用 Savitzky-Golay卷积平滑算法、 多元散射校正(MSC)、 对数一阶微分(lg(R)-FD)、 标准正态变量校正(SNV)、 多元散射校正一阶微分(MSC-FD)对原始光谱进行增强处理; 应用稳定竞争自适应重加权采样(sCARS)算法结合皮尔逊相关性分析(PCC)进行特征波段选择; 对比分析偏最小二乘(PLS)、 支持向量机(SVM)和粒子群优化支持向量(PSO-SVM)模型土壤硒含量高光谱定量反演效果。 结果表明： 将sCARS算法应用于光谱增强后的回归模型, 并结合皮尔逊相关性(PCC)选择与土壤硒含量敏感性较大的特征波段, 不仅可以降低土壤硒含量高光谱预测模型复杂度并有效避免大量有用信息的损失, 还能提高高光谱回归模型的反演效率; 对比不同回归模型训练集和预测集的决定系数R2和均方根误差RMSE, 发现支持向量(SVM)模型比偏最小二乘(PLSR)模型预测效果更好, 模型稳定性更高, 且非线性模型更适用于土壤硒含量的预测; 通过粒子群(PSO)算法优化SVM的核函数和正则化参数, SVM模型的反演精度和稳定性都有所提升; MSC-PSO-SVM模型(R2=0.53、 RMSE=0.34)和MSC-FD模型(R2=0.50、 RMSE=0.04)预测效果较为突出。 综上所述： 利用sCARS结合PSO-SVM算法建立土壤硒含量的高光谱定量反演模型, 能够为土壤硒含量的高光谱大面积估测提供新的途径。

视盘和视杯的精确分割是青光眼计算机辅助诊断的关键,考虑视盘的解剖学特征,提出基于超像素和级联SVM分类实现视盘的精确分割。首先对眼底图像超像素分割,基于视盘的解剖学结构特征,提取超像素的灰度、纹理、几何、位置分布等特征;然后采用基于SVM的监督聚类方法分类超像素区域,两级级联SVM分类器在分类过程中修正超像素位置信息,提升分割精度;最后基于Snake模型修复局部轮廓。在DRIONS和REFUGE数据库视盘分割精度分别为99.87%和99.52%,精度、灵敏度、特异性、AOL和DICE系数均高于该领域典型算法,实验证明所提方法能够精确分割视盘区域,且具有较强的鲁棒性;在青光眼诊断中具有一定的应用价值。