Modified Spectral Neugebauer Model for Printer Characterization

Spectral Neugebauer model is widely used for spectral reflectance prediction during printer characterization. However, several factors reduce the predication precision. Thus, an improved cellular Yule-Nielson spectral Neugebauer (CYNSN) model is proposed, which modifies the traditional spectral Neugebauer model in three main aspects: (1) First, in order to adjust the nonlinearities between the predicated and measured spectral reflectance, an iteratively calculated Yule-Nielson exponent is added to the reflectance values within the Neugebauer equations. (2) Second, the quantity of Neugebauer primaries is increased by dividing the CMY colorant space into 4³ uniform cellular subdomains. (3) Third, the mapping functions are developed to map the area coverages' theoretical values to their effective values within the subdomains, and the mapped values highly improve the matching degree of the predicated and measured reflectance values. In the experiment, four related spectral Neugebauer models are employed during printer characterization, which are the traditional spectral Neugebauer model, Yule-Nielson spectral Neugebauer (YNSN) model, traditional CYNSN model, and the modified CYNSN model, respectively. And the experimental results show the modified CYNSN model yields a significant improvement over the other spectral Neugebauer models, by comparing the characterization errors in the form of colorimetry and spectroscopy.     

Spectral-based color separation method for a multi-ink printer

A spectral-based 8-ink characterization model is developed to accurately predict the recipe for a multi-ink printer. The 8-ink color separation method is a union of five 3-ink and six 4-ink combinations based on the cellular Yule-Nielsen spectral Neugebauer model with a recipe selection strategy. The performance levels of the forward and backward models are evaluated for individual ink combinations using printed testing samples. Furthermore, the spectral-based method performs better compared with the XYZ-based approach. On the basis of the backward model performance, a novel fast recipe selection strategy is proposed and estimated.     

Color separation criteria for spectral multi-ink printer characterization

Seven color separation criteria are evaluated and compared for multi-ink printer characterization, which is a union of five 3-ink and six 4-ink cellular Yule-Nielsen spectral Neugebauer (CYNSN) submodels. In the experimental stage, testing reflectances from printing samples and Munsell color samples are employed. The results show that the prediction and actual accuracy of all the seven selection criteria are approximately the same for printing samples. As for the Munsell samples, the combE 00 & MI outperforms other selection criteria because it combines one color difference with two metamerism indices, which are important for the heterogeneous samples during prediction.     

喷墨打印系统多光谱特征化正向模型的建立

随着光谱技术的发展,打印系统的光谱特征化模型成为研究热点。基于光谱匹配的特征化模型通过直接预测设备基色的光谱反射比数据,可以有效的减少同色异谱现象的发生,为实现高保真印刷提供条件。主要基于Yule-Nielsen修正的Neugebauer光谱模型,开展了关于12色打印系统光谱特征化模型如何提高模型精度的研究。首先通过对颜色测量仪器及测量条件、喷墨打印机打印系统进行稳定性及精确度验证,为后续样本设计和测量提供可行性依据。然后,建立该研究设备适用的正向YNSN模型。依据CIELAB颜色空间中明度值L*均匀分布的原则,设计并输出了1 331个测试样本,抽取部分样本做训练样本,对所建立的光谱的特征化正向模型进行验证。结果表明,基于光谱的特征化模型预测精度较高,具有明显的优势。经验证,通过引入Yule-Nielsen修正参数n值,可进一步改善光谱预测精度。     

基于光谱和改进极限学习机的土壤含盐量分析

研究盐碱地的性质、组成,对于生态环境具有重要意义。传统的含盐量测定方法大多基于化学分析,因其成本高、效率低的缺点使得应用于大面积土地的可行性很低。极限学习机（ELM）作为一种基于前馈神经网络构建的机器学习系统,在许多研究中作为一种光谱处理方法被成功运用。为了改进传统的盐碱地含盐量检测方法,采用光谱学结合改进的极限学习机（ELM）模型的方法对盐碱地进行研究。根据镇赉县采集得到的62个土壤表层样本得到对应的光谱反射率和含盐量数据,提出了基于随机值改进粒子群优化算法（RVIPSO-MELM）优化的多层极限学习机模型。首先使用主成分分析提取光谱数据特征,并使用ELM算法对光谱数据建立分类模型,引入改进的粒子群优化算法以提高精度和速度。该模型结合了具有随机值的多层ELM（RV-MELM）和改进PSO算法的多层ELM（IPSO-MELM）二者的优点,在运用启发式算法搜索最优值的同时还具有随机性,提高了模型优化速度,同时以提高模型性能为目的对隐含层之间参数进行优化和选择。并且该模型可以推广到多层,对隐含层之间的参数的两种选择方法,根据经验公式计算和使用改进的启发式算法搜索,进行了提高模型性能和优化时间的讨论,实践结果表明,选择第一层参数使用改进粒子群优化算法,确定随后的隐含层之间参数选择,使用经验公式进行计算得到一种更具现实意义的方法模型。模型在进行启发式搜索最优值之前,利用蒙特卡罗方法确定一个较好的初值,使得模型能保持较高准确率的条件下,优化速度进一步提高。相比于传统方法,这种光谱分析结合ELM的模型节省时间和经济成本,有一定推广意义。     

基于LabPQR降维的多色打印机光谱特征化模型研究

研究多色打印机的光谱特征化,提出了一种基于降维的光谱特征化模型,保证了多色打印机颜色转换的精度,同时也提高了特征化的运行效率。该模型结合颜色分区理论和LabPQR非线性降维方法,首先将高维光谱数据降低至LabPQR六维空间中,然后通过胞元搜索算法查找目标颜色所属的胞元空间,最后利用反向四面体插值算法对目标的LabPQR值进行计算,得到打印机最终的通道信号输出值。检测颜色样本的实验数据表明,正向模型和反向模型的平均色差达到0.714和1.016 NBS,模型的运行时间为2.03和9.05 s。新算法能够实现多色打印机光谱数据与通道信号值间的准确转换。     

基于高斯混合模型的语音带宽扩展算法的研究

为了降低高带谱失真,研究了带宽扩展算法中特征参数与高带谱包络的互信息和高带谱失真之间的函数关系,并在此基础上提出了一种扩展高斯混合模型带宽扩展算法。首先,算法选择与高带谱包络互信息大的参数构成特征矢量,并根据高斯混合模型计算特征矢量与高带谱包络的联合概率密度。其次,采用Expectation-Maximization(EM)算法估计高斯分量模型参数并计算后验概率。最后,通过后验概率估计高带谱包络。实验结果表明,与传统的高斯混合模型带宽扩展算法相比,本文算法可降低0.3 dB的高带平均谱失真,将谱失真大于10dB的语音帧减少了50%以上。      

基于光谱与空间特征结合的改进高光谱数据分类算法

针对仅利用光谱信息进行分类未充分利用高光谱数据图谱合一特性的问题,提出了基于马尔可夫随机场的改进分类模型,利用基于最大后验概率的马尔科夫随机场模型进行光谱与空间信息的融合应用,采用基于光谱信息的概率支持向量机方法提高马尔科夫随机场模型中光谱能量函数项的类条件概率估计精度,设计基于信息传播策略、信息更新策略、多尺度传播策略的多重加速策略的高效置信传播优化算法,解决了马尔科夫随机场模型中全局能量最小化优化过程中计算复杂度高、计算耗时等问题。利用航空可见-近红外成像光谱仪AVIRIS对美国印第安纳州西北部的农业示范区数据进行应用分析,并与迭代条件模型、模拟退火、置信传播等方法进行性能比较,试验结果表明：该方法能够达到总体分类精度95.78%、Kappa系数0.933 4,优于现有马尔科夫随机场分类算法,并且计算效率比置信传播优化算法提高了3倍以上。     

嵌入式粒子群-遗传算法的水质COD检测特征波长优化算法

基于紫外-可见光谱法的水质测量中,光谱信号易受到系统噪声干扰、悬浮物散射干扰,且存在信息冗余、多重共线性等特征,导致水质COD测量中特征波长的选取产生较大偏差。因此,提出了基于嵌入式粒子群-遗传（EPSO_GA）算法的水质COD检测特征波长优化算法,以提高波长选择精度。为验证检测特征波长优化算法的可行性,采集了某高校池塘水样、生活污水和排水沟水样的光谱数据,利用EPSO_GA算法对预处理后的光谱数据选取特征波长。EPSO_GA算法采用实数编码方法实现了粒子群（PSO）优化算法和遗传（GA）优化算法的统一编码,在PSO算法中更新粒子时嵌入GA算法的选择、交叉、变异等操作,改善了这两种算法各自在光谱波长特征选取问题上的局限性。将EPSO_GA算法选取的特征波长结合偏最小二乘法（PLS）构建了EPSO_GA_PLS的水质COD预测模型,并且与传统的PSO算法、GA算法选取特征波长建立的PSO_PLS、GA_PLS和全光谱构建的PLS水质COD预测模型做了对比。结果表明：与PSO_PLS,GA_PLS和全光谱构建的PLS水质COD预测模型相比,EPSO_GA改善了PSO算法和GA算法在光谱特征波长选择中早熟和收敛速度慢的问题,降低了全光谱构建PLS水质COD预测模型的复杂度,提高了模型的预测精度。基于EPSO_GA算法建立的EPSO_GA_PLS水质COD预测模型,均方根误差降到了0.212 3,预测精度增加到0.999 3,可以快速定量检测水质COD,为紫外-可见光谱法测COD提供了更好的预测模型。     

基于约束优化的多光谱辐射真温反演算法

多光谱辐射测温是通过测量待测物某点的多个光谱辐射强度信息,通过普朗克公式反演获得真实温度。但是,通过普朗克公式获得的多光谱辐射测温方程组,是欠定方程组,即N个方程,N+1个未知数(N个未知的光谱发射率ε_λi和1个待求真温T)。目前,多采用事先假设一组发射率模型(发射率-波长或发射率-温度模型),假设模型与实际情况如果相符,则反演结果能够满足要求,如果假设模型与实际情况不符,则反演结果误差很大。但是,发射率模型受温度、表面状态、波长等诸多因素影响,难以事先确定发射率模型。因此受未知光谱发射率的制约一直是多光谱辐射测温理论面临的主要障碍,能否在无需任何光谱发射率假设模型的情况下,实现真温和光谱发射率的直接反演一直是多光谱辐射测温理论研究的热点和难点。通过对参考温度模型的分析表明,多光谱辐射测温反演过程的实质是寻找一组光谱发射率,使得每个通道方程解得的真温都相同,如不相同则继续寻找合适的光谱发射率,直到每个通道解得的真温都相等。为此,提出将多光谱辐射测温参考温度模型的求解过程转换为约束优化问题,即在光谱发射率0≤ε_λi≤1的约束条件下,通过梯度投影算法不断寻找光谱发射率,带入多光谱辐射测温参考温度模型方程组后,计算温度反演值的方差,直到每个光谱通道方程获得的温度值应该近似相等,此时各个光谱通道的温度反演值方差最小,这样就把多光谱辐射真温和发射率的反演问题转换为约束优化问题。约束优化算法是解决这一类问题的主要方法,但为了满足Ax≥b的约束条件,将0≤ε_λi≤1分解为ε_λi≥0和-ε_λi≥-1的两个约束条件,从而满足了约束优化问题Ax≥b的约束条件。这样就可以通过约束优化算法在无需任何光谱发射率假设模型的条件下,直接求解真温和光谱发射率。实验采用六种不同光谱发射率分布模式(随波长递增、递减、凸波动、凹波动、“M”型波动、“W”型波动)的材料为研究对象,以验证新算法对不同材料光谱发射率分布反演的适应性,利用Matlab的minRosen函数,选择光谱发射率的初始值均为0.5(取中间值,提高计算效率)。针对六种不同光谱发射率模型的仿真结果表明,新算法无需任何有关发射率的先验知识,对不同发射率模型反演结果均表现较好,在真温1 800 K的情况下,绝对误差均小于20 K,相对误差均小于1.2%,新算法具有无需考虑任何光谱发射率先验知识、反演精度较高及适合于各种发射率模型等优点,进一步完善了多光谱辐射测温理论,在高温测量领域具有良好的应用前景。     

基于双向长短期记忆网络的太赫兹光谱识别

特征提取是太赫兹光谱识别的关键处理步骤,通常利用降维方法作为特征提取手段。然而,当一些化合物的太赫兹光谱曲线整体差异度较小时,降维方法往往会缺失样本差异的重要特征信息,从而导致分类错误。如果不采用降维方法提取特征,传统机器学习分类算法对维数较高的原始太赫兹光谱数据又不能很好的分类。针对此问题,提出了一种基于双向长短期记忆网络（BLSTM-RNN）自动提取太赫兹光谱特征的识别方法。BLSTM-RNN作为一种特殊的循环神经网络,利用其LSTM单元可以有效解决原始太赫兹光谱数据维数较高使得模型难以训练问题。再结合模型的双向频谱信息利用架构模式,可以增强模型对复杂光谱数据自动提取有效特征信息的能力。采用三类、15种化合物太赫兹透射光谱作为测试对象,首先利用S-G滤波和三次样条插值对Anthraquinone,Benomyl和Carbazole等十五种化合物在0.9～6 THz内的太赫兹透射光谱数据进行归一化处理,然后通过构建一个具有双向长短期记忆的循环神经网络对太赫兹光谱的全频谱信息进行自动特征提取并利用Softmax分类器进行分类。通过试验优化网络结构和各项参数,最终获得了针对复杂太赫兹透射光谱数据的预测模型,并与传统机器学习算法SVM,KNN及神经网络算法MLP,CNN进行对比实验。结果表明,dataset-1和dataset-2分别作为差异度较大和无明显峰值特征的五种化合物太赫兹透射光谱数据集,其平均识别率分别为100%和98.51%,与其他方法相比识别率有所提高;最重要的是,dataset-3作为5种化合物谱线极为相似的太赫兹透射光谱数据集,其平均识别率为96.56%,与其他方法相比识别率提高显著;dataset-4作为dataset-1,dataset-2和dataset-3的透射光谱数据集集合,其平均识别率为98.87%。从而验证了BLSTM-RNN模型能自动提取有效的太赫兹光谱特征,同时又能保证复杂太赫兹光谱的预测精度。在选择模型训练优化算法方面,使用Adam优化算法要好于RMSProp,SGD和AdaGrad,其模型的目标函数损失值收敛速度最快。同时随着模型训练迭代次数增加,相似太赫兹透射光谱数据集的预测准确率也不断提升。可为复杂太赫兹光谱数据库的光谱识别检索提供一种新的识别方法。     

Modeling and analysis for the image mapping spectrometer

The snapshot image mapping spectrometer(IMS) has advantages such as high temporal resolution,high throughput,compact structure and simple reconstructed algorithm.In recent years,it has been utilized in biomedicine,remote sensing,etc.However,the system errors and various factors can cause cross talk,image degradation and spectral distortion in the system.In this research,a theoretical model is presented along with the point response function(PRF) for the IMS,and the influence of the mirror tilt angle error of the image mapper and the prism apex angle error are analyzed based on the model.The results indicate that the tilt angle error causes loss of light throughput and the prism apex angle error causes spectral mixing between adjacent sub-images.The light intensity on the image plane is reduced to 95%when the mirror tilt angle error is increased to ±100 "(≈ 0.028°).The prism apex error should be controlled within the range of 0-36"(0.01°)to ensure the designed number of spectral bands,and avoid spectral mixing between adjacent images.     

近红外光谱LASSO特征选择方法及其聚类分析应用研究

近红外光谱技术是一种通过分析样本的特征光谱数据,实现定性或定量分析的无损检测方法,特征数据的完整性和代表性决定了所建模型的性能,而现有分析方法只能实现光谱子区间特征筛选,导致分析模型稳定性差、且难以再优化。为实现近红外光谱区间高维数特征提取,有效提高近红外光谱定性分析模型的精度和稳定性,提出一种基于最小绝对收缩和选择算法(LASSO)的光谱特征筛选方法,并以我国特色高值外贸产品云南松茸为分析对象进行聚类应用研究,讨论了该方法对于高维光谱特征筛选的有效性、分析对比了LASSO筛选特征变量及主元分析(PCA)降维算法所建松茸真伪甄别及食用菌分类模型的预测精度及稳定性。通过调研发现,云南产鲜松茸因其独特外形易于分辨,而片状的干松茸失去其独有的外形特征,导致国内干松茸掺假事件屡禁不止。选取云南产松茸、杏鲍菇、老人头、姬松茸四种干样共166样本数据进行分析,采用光谱范围为900～1 700 nm的NIRQuest512型近红外光谱仪获得166×512维原始光谱数据,剔除异常数据后采用标准正态变换对光谱数据进行预处理。在此基础上,利用LASSO筛选出全光谱区间的特征变量,再使用Kennard-Stone法并结合典型线性(KNN)和非线性建模(BP)算法,构建松茸真伪甄别模型和食用菌分类模型,对两种模型进行盲样测试,并分析了LASSO与PCA算法的不同点,最后使用蒙特卡罗方法检测两种模型的稳定性。实验结果表明基于LASSO光谱特征选择的松茸真伪甄别模型和食用菌分类模型预测精度和稳定性均高于PCA方法,其中基于原始光谱数据所建真伪甄别模型的预测准确率为69.57% (BP)和60.87% (KNN),食用菌分类模型准确率为67.39% (BP)和65.22% (KNN),基于LASSO特征筛选的真伪甄别模型预测准确率分别达到100% (BP)和78.26% (KNN),食用菌分类模型预测准确率分别达到89.13% (BP)和80.43% (KNN),对两种模型进行10次蒙特卡罗实验,其结果平均值分别为99.93%和97.22%,由此可知,与PCA等数据降维算法相比,LASSO可实现全光谱区间的光谱特征选择和数据降维,有效地提高了近红外定性分析模型的预测性能,为近红外分析提供了一种新的特征筛选方法。     

基于自适应粒子群算法的多峰谱线分离方法研究

电感耦合等离子体原子发射光谱分析法（ICP-AES）已成为一种常规的元素分析方法,但在ICP-AES分析过程中,大多元素的分析谱线会受到背景或其他谱线的重叠干扰,形成的光谱干扰严重影响了谱线分析的准确性,所以在元素的分析过程中,需要通过适当的光谱干扰校正方法才能得到合适的元素分析线。根据光谱强度具有叠加性的特征,利用谱图将谱线形状表示为Voigt线型函数加和的多峰谱线叠加模型,以多峰谱线叠加模型与目标谱线的均方根误差构建多元函数作为评价函数的数学模型,设计自适应粒子群优化（APSO）算法寻找分离谱线特征参数的最优解,APSO算法在标准PSO算法的基础上,引入压缩因子同时使得种群参数惯性权重根据粒子个体适应度值自适应变化以及学习因子线性变化,在算法迭代过程中协调粒子种群内全局搜索能力和局部开发能力,保证算法有效且迅速收敛,实现多峰谱线分离,减少干扰谱线的影响从而得到更精准的元素分析线。以ICP-AES检测器返回的含Pr元素溶液特征波长为390.844 nm和汞灯特征波长为313.183 nm两条谱线的光强AD采样值作为两组实测数据,以两个Voigt线型近似函数构成的三种不同重叠程度的叠加合成曲线作为三组模拟数据,在数据曲线上分别选取50个能够包含曲线全部特征参数信息的点作为数据点,通过对上述五组目标数据点进行APSO算法处理,结果表明APSO算法得到的多峰谱线叠加模型相关参数能够较准确地拟合出相应的目标数据曲线,目标数据点与拟合曲线函数值相对误差较低,算法表明能够有效扣除谱线重叠干扰,同组目标数据经过多次算法处理,选择最小的最优适应度值相应的特征参数向量作为Voigt线型函数相关参数,以此拟合出的多峰谱线叠加模型曲线精准度越高、相对误差越小。这种算法具有良好的收敛性和适应性,可应用于ICP-AES在元素定性、定量方面的分析研究。     

粗糙目标样片光谱双向反射分布函数的实验测量及其建模

实验测量了紫红色和白色涂漆板在400～780 nm内的光谱双向反射分布函数(光谱BRDF),分析了光谱双向反射分布函数随波长及散射角的变化趋势与目标样片光学特性的关系.应用改进的粒子群算法,结合双向反射分布函数五参量模型,获得了测量光谱范围内各波长(间隔1 nm)对应的共381组五参量值.利用五参量模型计算了目标样片的光谱双向反射分布函数及其方向半球反射率(DHR),并与实验测量数据相比较,两者吻合良好,表明目标光谱双向反射分布函数建模方法与结果的可行性和可靠性.目标样片的光谱双向反射分布函数可以用来研究目标的光谱散射特性,对目标的探测、跟踪、识别和特征提取等具有重要的应用价值.     

基于XGBOOST的恒星光谱分类特征数值化

恒星光谱分类是研究恒星的基础性工作之一,常用的光谱分类是基于20世纪70年代Morgan和Keenan建立起来的并逐步完善的MK分类系统。然而基于MK规则的交互式决策分类系统对处理海量天文光谱数据存在着一定的困难。目前光谱巡天一般采用的自动化分类则是模版匹配方法而忽略对谱线特征的测量。怎样自动、客观地提取海量光谱中的分类特征并应用这些特征进行分类可以对天体的物理化学性质的统计分析至关重要。针对此问题,通过机器学习和计算光谱的谱线指数结合的方法,提取光谱特征,并通过大数据分析定量地确定对光谱特征谱线的分类判据（数值化）,确定每一类光谱具有物理意义的特征谱线的强度分布。首先对LAMOST DR4恒星光谱测量其谱线指数作为输入,光谱的分类标记采用官方发布的分类结果。使用XGBoost算法进行自动分类及特征排序,从而获得已知或未知的对于分类决策最为敏感的谱线。首先,选取高信噪比（S/N>30）、被LAMOST标记为B,A,F和M的恒星光谱数据,总计约414万个。然后,对光谱数据计算谱线指数从而使其得到降维处理,过滤冗余信息。其次,将处理后的恒星光谱数据随机划分为训练集和测试集,通过适当调整算法参数,用训练集得到所需要的分类决策树模型,用测试集测试其稳定性和可用性,以防止出现过拟合,同时使用算法自带函数进行提取分类特征。最后,输出并整理实验中算法所得的决策树模型,并挑选其概率比较大的分支作为最终的决策树模型。通过实验,可以发现在固定参数下,XGBoost所得的模型有一定的自适应性,较少受数据集影响,总体准确率可达88.5%;同时其所输出的分类决策树与已知的特征较为吻合,而且可以获得基于大数据的、数值化的特征谱线对应分类的范围,为完善基于特征的分类提供定量的规则。     

层析型线阵推扫成象光谱技术及其仿真研究

本文设计了一种层析型线阵推扫成象光谱仪。与色散型推扫成象光谱仪或干涉型推扫成象光谱仪不同的是,它用线阵CCD代替面阵CCD,同时又具有高通量、多通道、高信噪比、结构简单、轻量等优点。其基本原理是利用光栅的多级衍射实现视场条带目标的一维空间和一维光谱组成的“空间-光谱平面”到一维投影象的Radon变换,然后由逆Radon变换重构二维数据(一维光谱和一维空间),另一维空间信息通过推扫便可得到。文章还提供了重构算法和计算机仿真试验结果,验证了算法和方案的可行性。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

结合SNV的分段直接标准化方法在拉曼光谱模型传递中的应用

为了实现拉曼光谱在不同仪器上的模型传递,文章提出了一种改进的分段直接标准化算法.该方法先利用标准正态变换法对光谱数据进行处理,以减少源机与目标机之间的光谱背景与强度影响,再采用分段直接标准化算法消除不同仪器间对样本信息反应差异,实现拉曼光谱的全谱传递.此外,还提出了传递误差率指标用于对光谱传递效果的定量评价.针对汽油拉...     

结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究

土壤组分光谱估算过程中校正样本集的构建会影响模型的预测精度。当前结合反射光谱和Kennard-Stone (KS)算法的校正样本集构建策略忽视了土壤反射光谱是土壤属性的综合反映,构建的样本集通常无法很好地代表目标土壤组分的变异。光谱变换方法可以突出目标组分的光谱特征,为此,本文以湖北省江汉平原滨湖地区水稻土为研究对象,结合包括一阶微分(FD)、Savitzky-Golay(SG)、Haar小波变换、标准正态变量变换(SNV)和多元散射校正(MSC)在内的光谱变换方法和KS算法进行校正样本集建构,通过对比不同样本集构建策略对使用偏最小二乘回归(PLSR)建立的土壤全氮含量光谱估算模型预测精度的影响,研究光谱变换是否有助于提高基于KS算法构建的校正样本集的代表性。结果表明：不同光谱变换会影响校正样本集的构建。反射光谱经过SG或Haar小波变换后,再使用KS算法构建校正样本集与直接基于反射光谱使用KS算法构建的校正样本集相同,建立的估算模型精度不变,相对分析误差(RPD)分别为1.41和1.27。结合FD,SNV或MSC变换和KS算法构建的校正集与基于反射光谱使用KS算法构建的校正集不同,建立的估算模型RPD分别从0.95,1.48和1.42提高到1.13、1.78和2.20。研究表明SNV和MSC等光谱变换方法可以提高基于KS算法构建的校正样本集的代表性,并可有效提高模型预测精度。