经典名方一贯煎由生地黄、 北沙参、 麦冬、 当归、 枸杞子、 川楝子6味药组成, 具有滋养肝肾、 疏肝理气之效。 红外光谱技术具有快速无损的优点, 可完整的将不同批次一贯煎基准样品的信息表达。 运用傅里叶变换红外光谱仪采集样品的红外光谱, 对原始光谱进行预处理, 得到相对峰高, 对共有峰进行归属, 采用聚类分析（HCA）、 主成分分析（PCA）及正交偏最小二乘法-判别分析（OPLS-DA）对图谱数据进行评价。 结果表明15批一贯煎基准样品中868、 822和779 cm-1波段为糖骨架伸缩振动吸收峰, 多为枸杞所贡献, 815 cm-1波段处少数为麦冬所贡献； 生地黄单煎液在1 148 cm-1波段处、 沙参单煎液在1 158、 1 082和1 019 cm-1波段处、 当归单煎液在993 cm-1波段处均有对糖苷类成分的贡献； 川楝子单煎液1 746 cm-1波段处可溶性脂类糖苷成分吸收峰明显, 一贯煎复方中此处吸收峰并不明显, 可能为川楝子与其他五味药配伍煎煮过程中化学成分发生变化。 HCA结果显示, 当组间距离=10时, S1、 S2、 S15聚为一类, S9、 S11、 S12、 S13、 S14聚为一类, S3、 S4、 S5、 S6、 S7、 S8、 S10聚为一类, 表明不同批次一贯煎汤剂内部质量存在一定差异。 PCA分类结果与聚类分析结果基本一致, 并计算不同批次的主成分综合得分, 其中批次3一贯煎汤剂质量最佳, 批次1质量最次, 由载荷散点图分析得到1 104、 1 142、 1 412、 1 260和868 cm-1波段峰对主成分1的贡献率较大； 777、 2936、 923、 1 721、 818和637 cm-1波段峰对主成分2的贡献较大。 OPLS-DA结果与HCA和PCA结果一致, 以VIP＞1为标准, 筛选出七个导致样品之间产生差异的波段, 分别为777、 637、 923、 2 936、 1 260、 1 412和1 630 cm-1, 该结果与PCA载荷图中寻找的重要性权重变量基本一致。 所建立的一贯煎红外指纹图谱方法简单、 准确度高, 可用于经典名方的快速鉴别分析, 为经典名方一贯煎的质量控制与评价提供参考。

激光光斑中心的准确定位对共焦显微系统有着重要作用。为了提高光斑中心定位的准确性, 设计了一种基于OpenCV的高精度光斑中心定位检测方法。首先对采集到的光斑图像进行降噪滤波, 再通过聚类分析, 筛选连通域排除粗大误差, 然后对目标连通域边缘进行形态学处理, 最后将边缘数据拟合成椭圆定位光斑中心。仿真与实验结果表明：该方法与其他传统光斑中心定位方法相比, 具有小于0.1 pixel的亚像素级定位精度, 检测结果更稳定, 是一种高精度的光斑中心定位方法。

忍冬属中药材种类多、 产量大, 外观性状特征相似, 区分较为困难。 采用傅里叶变换红外光谱对来源于忍冬属的忍冬(金银花)、 红腺忍冬、 灰毡毛忍冬、 黄褐毛忍冬4种中药材进行测定, 红外光谱扫描范围为4 000～400 cm-1, 得到图谱后进行图谱解析; 采用谱带较密集的指纹区(1 800～400 cm-1)计算红外光谱图相似系数和二阶导数谱, 同时结合SMICA(簇类独立软模法)聚类分析法对红外指纹图谱进行分类和异同点比较。 结果表明, 4种忍冬属中药材红外光谱整体峰形相似, 谱峰位置和峰高都比较接近, 在1 629～1 635、 1 376～1 384、 1 265～1 282、 1 152～1 158、 1 050～1 051、 814～816、 611～614和534～537 cm-1附近均有吸收, 但忍冬中1 731 cm-1CO伸缩振动吸收峰最明显, 仅灰毡毛忍冬与忍冬显示出1 105和1 103 cm-1C—O的伸缩振动吸收峰。 红腺忍冬与灰毡毛忍冬1 317 cm-1 CH的弯曲振动吸收峰最明显, 黄褐毛忍冬1 075 cm-1处糖醇类物质的C—OH伸缩振动特征峰最明显。 相似系数结果表明4种中药材间存在一定差异, 其中红腺忍冬与黄褐毛忍冬差异最大, 相似系数为0.94。 二阶导数光谱中, 4种中药材在1 700～1 300和971～780 cm-1波段差异明显。 采用Assure ID软件以药材吸收波数为变量进行聚类分析, 红腺忍冬与黄褐毛忍冬的类间距最大, 为6.86, 进一步表明红腺忍冬与黄褐毛忍冬差异最大。 聚类模型中, 4种中药材的识别率和拒绝率最高值为100%, 最低值达99%; 类模型图中, 不同基原药材两两分开, 表明红外光谱结合SIMCA聚类分析能够鉴别忍冬属4种中药材; 取已知基原的样品对聚类分析模型进行验证, 均被正确识别。 因此, 红外光谱与聚类分析法相结合可以快速、 无损鉴别忍冬属4种中药材, 为忍冬属中药的基原鉴别提供了一种科学有效的方法。

光谱分析在木材种类识别领域具有一定的潜力, 而其中的中红外光谱也广泛应用于定性及定量分析。 该研究中红外光谱法识别木材种类的报道中, 基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率。 提出了一种聚类分析(CA)、 对称点阵图像分析(SDP)与深度学习(DenseNet)相融合的算法, 利用DenseNet的优势提高中红外光谱法识别木材的准确率。 首先, 采集了愈疮木、 巴里黄檀、 刺猬紫檀、 大果紫檀、 螺穗木5种木材样本的250组中红外光谱数据, 应用欧式距离进行了异常值剔除, 剩余240组作为待分析数据并对其进行分类的可行性分析。 对光谱数据进行SDP转化分析, 确定SDP转化的最优参数; 之后, 运用CA筛选原始光谱数据的特征, 根据CA不同阙值确定了三组维数的特征并进行讨论, 通过对比三组特征数据经过SDP转化后图像间的类内相似性和类间差异性, 初步确定了最优维数特征; 再将初步确定的最优维数特征数据输入到SDP-DenseNet模型中, 获得模型识别的准确率; 最后通过对比分析验证了模型的有效性, 一方面将原始数据及其余两组对照维数的特征数据分别输入到SDP-DenseNet模型中, 对比识别的准确率; 另一方面以最优维数特征数据输入到随机森林中进行识别, 对比传统机器识别与SDP-DenseNet算法识别的准确率。 结果表明: 经CA特征筛选的SDP-DenseNet模型普遍高于原始数据直接输入到SDP-DenseNet模型的准确率, CA特征筛选最优维数为255维, 其测试集最高识别率达到了88.67%, 而对照组107维为77.78%, 322维为68.89%, 原始数据的SDP-DenseNet模型识别率仅为57.78%; 经CA特征筛选的最优维数数据对应的随机森林模型识别率较低, 仅为66.67%。 因此, 提出的CA-SDP-DenseNet模型能有效提高中红外光谱法识别木材种类的精度。

渣驯通常分为4个等级, 藏医传统用药经验认为色黑、 质重、 粪便少的渣驯质量更优。 不同等级渣驯外观性状差异较小, 成膏后更不易区分。 傅里叶红外光谱技术（FTIR）具有快速无损的优点, 已广泛用于药材鉴别领域。 以4个等级渣驯为研究对象, 探究傅里叶红外光谱技术鉴别不同等级渣驯的可行性。 收集渣驯药材及代用品共56批, 按粪便比例和外观形态将药材分为4个等级, 采用《六省区藏药标准》中炮制方法将各批次药材加工成干膏。 采集不同样品4 000～400 cm-1范围的红外光谱信息, 以不同化学计量学方法建立模型。 预处理方式采用Saitzky-Golay（S-G）平滑、 纵坐标归一化、 二阶导数转化, 渣驯红外光谱主要吸收区域为3 500～3 200, 3 000～2 800, 1 800～1 350, 1 350～900和900～400 cm-1, 代用品吸收峰的波数差异较大。 1 779 cm-1附近仅有Ⅰ等级渣驯和Ⅱ等级渣驯的吸收峰, 1 768 cm-1附近Ⅰ等级渣驯和Ⅱ等级渣驯峰强度明显强于Ⅲ等级渣驯和渣驯代用品, 1 660 cm-1附近仅代用品渣驯无吸收峰, 1 257 cm-1仅代用品具有吸收峰, 均可作为不同等级渣驯的鉴别依据; ③号区域内及⑦号区域吸收峰差异均与传统分级相关, 品质越好的峰强度越大, 可作为多批次渣驯验证区域。 根据SIMCA软件统计结果, 主成分分析（PCA）较难区分不同等级渣驯; 偏最小二乘法（PLS-DA）能更好地区分4个等级药材, 外部验证结果表明该模型能很好地区分不同等级渣驯; 通过SPSS21.0软件统计, 系统聚类（HCA）可以区分部分Ⅲ等级渣驯及代用品渣驯。 傅里叶变换红外光谱结合化学计量学能快速鉴别渣驯优劣, 区分代用品, 为渣驯质量评价提供一种快速有效的方法。

随着社会经济的高速发展, 电网规模不断增大, 电网容量不断提高, 电力损耗问题日趋严重, 为了合理高效地利用电力, 对于网用电量异常的研究十分关键。针对电网用电量异常的问题, 对某城市一区域电网用电量数据进行逻辑分组聚类预处理, 并运用启发式算法构建两种针对性的启发式模型。利用从电网部署的检测仪表收集到的数据进行实验验证, 结合启发式算法进行检测, 异常用电情况下的相对异常指数较正常情况扩大6~10倍, 能够对电网的异常电量使用现象有较好的识别与检测能力, 验证了所提出方法的有效性。