提出一种反射式微纳光纤耦合器传感膜片，以实现高精度、连续和无创血压监测。该传感膜片由反射式微纳光纤耦合器、聚二甲基硅氧烷薄膜和环氧树脂基底组成，具有很高的压力灵敏度（-0.682 kPa^-1），且无需精确空间对准即可实现脉搏波检测；然后，构建双通道脉搏波检测系统，以获得肱动脉传导时间、桡动脉传导时间以及桡动脉和肱动脉之间的传导时间差值；基于上述参量，利用支持向量回归算法建立血压预测模型。实验结果表明，所提系统的收缩压平均偏差和标准偏差分别为0.08 mmHg和1.13 mmHg，舒张压的平均偏差和标准偏差分别为-0.35 mmHg和1.25 mmHg，符合美国医学仪器促进协会的标准，与其他类型的传感器相比，所提系统的准确度有明显提高。使用该系统监测一天内以及运动时的血压波动，结果表明该系统在连续精准测量血压方面具有可行性及很大的应用潜力。

牛奶脂肪含量的高低会影响人的身体健康。 以牛奶脂肪含量作为分析指标, 应用图像处理技术分析高光谱数据, 利用ENVI软件从高光谱图像中提取感兴趣区域(ROI), 采用不同的预处理方法对光谱数据建立偏最小二乘回归(PLSR)模型并比较得出最佳的预处理方法, 然后采用不同的主成分个数对预处理后的数据进行特征提取并建立支持向量回归机(SVR)模型, 通过比较得出最佳的主成分个数, 最后对特征提取后的数据建立SVR预测模型对牛奶中脂肪含量进行分析。 由于传统的SVR模型预测效果不好, 不能满足人们对于预测模型的基本要求, 故提出一种混合策略改进的鲸鱼优化算法对SVR预测模型进行优化, 将经过混合策略改进的鲸鱼优化算法优化后的SVR模型的评价参数与经过遗传算法、 传统的鲸鱼优化算法、 精英反向学习优化的鲸鱼优化算法优化后的SVR模型的评价参数进行了比较。 结果表明: 经混合策略改进的鲸鱼优化算法优化的SVR模型的训练集与预测集决定系数(R2)的值分别为0.998和0.995, 均方根误差(RMSE)的倒数1/RMSE的值分别为13.766和6.191, 平均绝对误差(MAE)的倒数1/MAE的值分别为13.910和11.422; 经传统的鲸鱼优化算法优化的SVR模型的训练集与预测集参数R2的值分别为0.998和0.989, 1/RMSE的值分别为13.526和5.849, 1/MAE的值分别为13.616和7.037; 经精英反向学习策略改进的鲸鱼优化算法优化的SVR模型的训练集与预测集参数R2的值分别为0.998和0.988, 1/RMSE的值分别为12.474和6.421, 1/MAE的值分别为15.003和10.554。 由以上结果说明混合策略改进的鲸鱼优化算法优化SVR预测模型是可行的, 优化后的SVR模型具有更好的预测效果。

针对立体图像的多维影响因素和预测结果准确性不足的问题，提出一种基于卷积神经网络-支持向量回归（CNN-SVR）的立体图像视觉感知客观评价模型。该模型将基于颜色的平面显著图和基于差异的视差图相结合，对其进行阈值分割，得到视觉感知潜在显著不适区域；然后进行特征提取，分别提取对比度、颜色、结构复杂度等全局特征和视差、纹理、空间频率等局部特征；最后采用将CNN和SVR相结合的方式构建多特征视觉感知客观评价模型，得到最终的客观预测值。实验结果表明，所提方法的Pearson相关系数高于0.87，Spearman相关系数高于0.83。与现有其他方法相比，在公开数据集上所提客观评价模型更优，预测结果与人们主观评价结果具有更高的一致性。

快速、精准地实现水体中多种污染物的耦合干扰解析及含量检测对野外水质实时监测具有重要意义。针对紫外光谱法同步检测化学需氧量（COD）和浊度时存在特征耦合及谱峰重叠干扰，进而严重影响检测精度的问题，提出了一种连续投影算法结合支持向量回归的水质污染物含量解耦预测方法。采用连续投影算法对水质样本的紫外吸收光谱特征波长进行筛选，消除无关冗余数据以提高模型迭代速率和精度。基于多分类支持向量机思想对支持向量回归算法进行多回归拟合改进，实现COD和浊度的紫外光谱耦合解析和含量的同步预测。通过实际水样检测验证，结果表明：耦合解析前的预测均方根误差改进率达到76%，最大相对误差均降低至4%以内，优于同类方法的检测精度，该研究对紫外光谱法水质多耦合参数检测应用具有参考价值。

在电子侦察卫星支援对海作战背景下, 为充分发挥卫星作战潜能, 提出了基于萤火虫麻雀算法(FASSA)优化支持向量回归(SVR)的卫星作战效能评估模型。首先, 运用萤火虫算法(FA)对麻雀搜索算法(SSA)进行改进; 然后, 建立了电子侦察卫星作战效能评估指标体系; 最后, 运用FASSA算法优化SVR的相关参数, 依据所构建的效能评估指标体系, 构建了电子侦察卫星作战效能评估模型。仿真结果表明, 该模型具有较高的效能评估精度, 在各项指标上均优于其他模型。

为提高土壤元素定量分析的精度，提出一种结合灵敏度降维与贝叶斯优化算法支持向量回归（BOA-SVR）的土壤元素定量分析方法。利用便携式X射线荧光（XRF）分析仪测量得到土壤的XRF光谱，采用迭代离散小波变换对光谱进行本底扣除，并将计算的各元素净峰面积作为模型输入特征。通过灵敏度分析研究了不同输入特征集合对预测精度的影响，以实现特征降维。将样本分为训练集和测试集，通过均方根误差和决定系数评价模型的预测精度，基于Cu和As元素对比了全特征输入下的BOA-SVR模型、特征降维后的BOA-SVR模型、单参数偏最小二乘法模型的预测结果。实验结果表明，特征降维后的BOA-SVR模型在Cu和As元素预测中都获得最好的预测结果。

提出一种基于卷积神经网络（CNN）和支持向量回归机（SVR）的多轴差分光学吸收光谱（MAX-DOAS）对流层NO₂垂直分布预测方法。将2019年南京站点采集的原始MAX-DOAS数据通过QDOAS软件拟合获取O₄和NO₂差分斜柱浓度，结合基于最优估算的气溶胶和痕量气体廓线反演算法——PriAM算法反演了对流层NO₂廓线，并将其作为预测模型的输出。此外，通过平均影响值方法进行预测模型输入变量的选择，确定了MAX-DOAS数据、温度、气溶胶光学厚度和低云覆盖率为模型的最佳输入变量。通过实验优化网络结构和参数，最终建立预测模型在测试集与PriAM的平均百分比误差仅为9.14%，与单独建立的CNN、SVR、反向传播模型相比，平均百分比误差分别降低了8.22%、6.00%、32.28%。因此，CNN-SVR能够利用MAX-DOAS数据对对流层NO₂廓线进行有效预测。

非共振光声光谱技术可用于在线检测变压器油中溶解气体, 保障变压器安全运行。然而在室外环境下, 背景信号易受到环境温度、湿度的影响, 必须对这些因素进行校正, 以提高仪器在线检测的稳定性和可靠性。背景信号的温度和湿度校正因子一般通过实验室测量得到, 但测量过程中由于外部环境干扰, 采集样本会出现较大波动, 因此需要具有一定鲁棒性的回归算法计算校正因子。研究了基于支持向量回归的背景信号的温度和湿度校正方法, 选择乙炔作为研究对象, 在实验室内利用湿度发生器产生不同浓度水汽, 同时利用温度传感器测量光声池温度, 回归乙炔背景信号校正因子, 并采用体积分数分别为 0、5×10-6 和 2×10-5 的乙炔和空气混合气体进行了验证。研究结果表明, 对于体积分数为 5×10-6 和 2×10-5 的乙炔混合气体, 所提方法和最小二乘法校正结果趋势相同, 但最小二乘法校正信号存在趋势性偏离, 而所提方法对背景信号校正具有更好的重复性和稳定性, 优于最小二乘法。