基于面向对象的QuickBird影像退耕地树冠信息提取

分割算法的改进和特征空间的优化足采用面向对象技术提高退耕地树冠信息提取精度的关键,也是利用高分辨率影像提取树冠信息急需解决的问题.文章采用光谱阈值对QuickBird多光谱影像进行一级分割,获得了植被区域,并采用改进的基于边缘的算法对非线性滤波处理后的全色影像进行二级分割,选取光谱、形状和纹理特征组成的特征空间对退耕还林地树冠信息进行提取.结果表明,提取总体精度为84.67%,较传统方法提高17%,KAPPA系数为0.795 3,较传统方法提高0.168.该研究方法能实现较为精确的树冠信息提取,可为管理部门实施准确的监测提供依据,对快速评价退耕还林效果具有重要意义.     

基于主成分分析和支持向量机的木材近红外光谱树种识别研究

为了探究一种新型高效的树种鉴别方法,以桉木、杉木、落叶松、马尾松和樟子松近红外光谱数据为研究对象,分别建立了基于主成分分析和支持向量机的木材树种定性识别模型。在主成分识别模型中,样本光谱数据经过预处理后绘制了其二维和三维主成分得分图,可以看出：主成分分析得分图能有效区分五种木材树种,且三维得分图比二维得分图更能直观、清晰展示树种之间的差异,表明主成分分析在可视化层面上可对小样本树种进行有效判别。在支持向量机识别模型中,分别建立了以遗传算法和粒子群算法为代表的智能算法优化支持向量机树种识别模型,结果显示,遗传算法-支持向量机模型的交叉验证最佳判别准确率为95.71%,测试集预测准确率为94.29%,算法用时134.08 s;粒子群算法-支持向量机模型的交叉验证最佳判别准确率为94.29%,测试集预测准确率为100.00%,算法用时19.98 s,表明基于智能算法支持向量机树种识别模型能够实现对木材树种的有效鉴别。该研究对近红外光谱分析技术在木材科学领域的应用进行了有益探索,为木材树种的快速识别提供了新方法。     

一种新的光谱参量预测黑土养分含量模型

我国东北黑土富含养分,随着土壤数字制图、精确农业和土壤资源调查等研究的深入,引入航空高光谱数据并提供科学的预测结果成为研究热点。数据源为CASI-1500航空高光谱成像系统,光谱范围380~1 050 nm,空间分辨率1.5 m。在黑龙江建三江地区采集59个土壤样本,化验获得有机质、全氮、全磷和全钾含量数据,选择eps-regression支持向量机模型,BP神经网络和PLS1最小二乘回归模型,建立光谱与含量的机器学习模型。通过评价3种模型的预测精度,选用支持向量机方法,对航空高光谱数据进行全氮、全磷和全钾的信息提取,采用神经网络方法,反演了有机质信息。研究表明：以光谱统计量、光谱特征值和光谱信息量为大类指标,所选取的18个子指标,能够反映土壤光谱的综合情况,是一种新的土壤光谱数据处理方法。有机质和全钾信息提取精度最高的算法是神经网络法,误差分别为1.21%和0.81%,而支持向量机算法在提取全氮和全磷信息时,验证样本的实测均值和预测均值完全吻合,精度最高。评价航空高光谱提取土壤养分的综合精度,有机质、全氮、全磷和全钾提取误差分别为5.25%,6.05%,2.74%和8.90%,在全磷反演中精度最高。     

支持向量机算法在激光诱导击穿光谱技术塑料识别中的应用研究

基于支持向量机 (support vector machines, SVM) 算法采用激光诱导击穿光谱技术对11种塑料进行了识别. 每种塑料各采集100个光谱, 其中50个光谱作为训练集, 用于建立支持向量机模型, 剩下的50 个光谱作为测试集, 用于测试所建立支持向量机模型的识别精度. 结果表明测试集550个光谱中有543个光谱识别正确,算术平均识别精度达到了98.73%. 其中有6个聚氨酯 (PU) 光谱被误判为有机玻璃 (PMMA), 原因主要是受空气中氮气的影响, 使得有机玻璃和聚氨酯两种塑料在氮元素含量上的差异不能通过N I 746.87 nm, C-N(0,0) 388.3 nm两条谱线的强度准确表征. 本结果为LIBS技术塑料分类提供了方法和数据参考. 关键词： 支持向量机 激光诱导击穿光谱 塑料识别     

基于克隆选择支持向量机高光谱遥感影像分类技术

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明：提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。     

空间信息自适应融合的高光谱图像分类方法

针对单一的滤波器提取高光谱图像空间纹理信息时不能获得完整的图像特征的不足,提出一种结合双边滤波和域转换标准卷积滤波的高光谱图像分类算法.该方法采用空间信息自适应融合的分类寻优,先对高光谱波段进行抽样分组,再用双边滤波和域转换标准卷积滤波对分组后的波段进行滤波,两种空间信息进行线性融合后交由支持向量机完成分类.实验表明,相比使用光谱信息、高光谱降维、空谱结合的支持向量机分类方法和边缘保持滤波以及递归滤波的方法,本文所提算法对高光谱图像的分类精度有较大提高,在训练样本仅为5%和3%的情况下,对印第安农林和帕维亚大学图像的总体分类精度分别达到了96.95%和97.89%,比其他算法高出213个百分点,验证了该方法在高光谱图像分类的有效性.     

支持向量回归算法在光纤光栅非均匀应变重构中的应用

当布拉格光栅轴向存在大的应变梯度时,其反射光谱的形状会被扭曲.甚至出现多峰,发展非均匀应变分布重构方法对于结构健康监测技术具有重要意义.但采集反射光谱时的测试噪声会显著影响应变分布重构的精度.为此,提出了采用支持向量机对含噪的反射光谱进行回归预处理,并运用适应度排序改进的遗传优化算法结合传输矩阵反射光谱构建方法识别布拉格光栅轴向非均匀应变分布的方法.该方法将反射光谱视为时间序列.利用支持向量回归的全局优化和泛化能力进行噪声抑制.从而回归出有效的反射光谱;通过传输矩阵方法将光栅轴向应变分段均匀化,利用改进的遗传算法进行并行重构.对多种应变分布形式下的应变重构进行了仿真研究,结果表明,支持向量机方法可以有效地进行反射光谱同归,提高非均匀应变分布重构的精度.     

空-谱二维蚁群组合优化SVM的高光谱图像分类

提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。     

太赫兹光谱在转基因菜籽油鉴别中的应用:基于改进蜉蝣算法的支持向量机模型

为实现对转基因和非转基因菜籽油的快速准确鉴别,结合太赫兹时域光谱技术,提出了一种基于改进蜉蝣优化算法的支持向量机模型.以两种转基因和两种非转基因菜籽油为研究对象,应用太赫兹时域光谱技术获取其光谱信息,发现相比于非转基因菜籽油,转基因菜籽油在太赫兹波段具有更强的吸收特性,同时它们的吸收光谱极为相似,难以通过观察法进行准确区分.为此,提出一种基于改进蜉蝣优化算法的支持向量机模型,通过采用蜉蝣优化算法对支持向量机参数进行寻优,并引入自适应惯性权重和Lévy飞行两种策略改进蜉蝣优化算法在寻优过程容易陷入局部最优解的问题,增强蜉蝣优化算法的全局搜索能力和稳健性.实验结果表明:改进后的蜉蝣优化算法能够更有效地寻找到支持向量机的最优参数组合,提升鉴别模型的整体性能,该模型对4种菜籽油的识别精度为100%.因此,本研究为转基因菜籽油的类型鉴别提供了一种快速有效的新方法,也为其他转基因物质的鉴别提供了有价值的参考.     

鱼粉产地溯源的近红外光谱判别方法研究

鱼粉是以一种或多种鱼类为组成原料的高蛋白饲料,其在养殖产业中占据着非常重要的地位。鱼粉产地众多,品质参差不齐,有不法商家以次充好,为维护市场秩序,应当建立一种鱼粉的产地溯源方法,以便更加精准地判别和分析鱼粉的品质。采用近红外光谱技术并结合化学计量学方法实现对不同产地鱼粉进行快速准确的产地溯源。采用径向基为核函数的支持向量机进行模式识别,并采用灰狼算法对以径向基为核函数的支持向量机进行关键参数的选择,模拟狼群狩猎行为,由适应度高低来设置等级制度,有秩序地对目标参数进行逐渐逼近围捕的移动,每次移动后重新进行适应性评估,经过狼群等级迭代最终捕获猎物,搜索到最佳惩罚因子和核函数半径;最后,利用最佳参数建立支持向量机模型进行不同产地鱼粉的产地溯源。灰狼算法可以提高支持向量机算法中关键参数的选择速度和精度,并提高支持向量机分类正确率。对来自浙江温岭、山东荣成、山东威海、辽宁大连四个产地的鱼粉样品采样,共获得144条光谱,光谱范围为3 700～12 500 cm~(-1),用获得的光谱进行产地溯源。随机选取每个产地样品的70%作为建模训练样本集, 30%作为测试样品集。首先对原始近红外光谱进行预处理,采用多元散射校正算法计算所有光谱的平均光谱当作"理想光谱",其他光谱对平均光谱进行一元线性回归,对光谱平移、偏移进行基线校正。采用小波变换对原信号分解,对高频信号进行阈值化处理,消除高频噪声达到光谱曲线平滑去噪效果;利用灰狼算法优化的支持向量机进行十次平行实验,降低误差干扰,得到产地分类结果:浙江温岭、山东荣成、山东威海、辽宁大连识别正确率分别为100%, 98.89%, 96.43%和97.78%。与网格搜索法相比,改进后的灰狼算法搜索支持向量机的惩罚因子和核函数半径速度更快更精确,分类准确率更高,可见灰狼算法优化的支持向量机(GWO-SVM)对鱼粉光谱进行产地溯源是可行的。     

采用特征融合的紫檀属内相似树种识别方法研究

紫檀属中的木材有很多属于名贵木材,不同树种之间十分相似。传统的木材识别方法多以木材解剖学为主,通过观察木材的切片结构特征对木材的树种进行判断,这类方法虽有较高的识别精度,但是其识别工艺较为复杂而且技术难度也相对较高。与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法,该类方法虽具有较为简单的识别工艺,但是在对同属相似木材树种进行识别时,往往不能够取得较好的识别效果。提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法,该方法不仅识别工艺简单、自动化程度高,而且具有较高的识别精度。首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息,然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量,接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合,最后使用支持向量机对融合后的特征向量进行分类识别。为了验证方法的有效性,以市场中常见的5种紫檀属树种的三个切面为研究对象,对这些木材树种进行了识别。实验结果显示,单独使用纹理特征的识别正确率最高为80.00%,单独使用光谱特征的识别正确率最高为94.40%,使用融合的特征最高的识别正确率可达99.20%。还将这5种木材树种与其他30种木材树种进行了混合,混合后的木材样本数量可达1750。实验进一步显示,该方法可以对包含紫檀属在内的35种木材的树种进行识别,其正确率可达98.29%。综上所述,木材的纹理特征和木材的光谱特征可以有效的相互补充,从而进一步提高识别正确率。最后还用所提出的方法与目前主流的方法进行了比较,结果发现所述的木材树种识别方法高于目前主流方法。     

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外（372.53~1 038.57 nm）范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G（Savitzky-Golay）平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机（ELM）中进行分类。此外,还和基于灰度共生矩阵（GLCM）的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个：一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。     

基于时序NDVI与光谱微分变换的森林优势树种识别

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义,也是当前亟待解决的重要科学问题。伴随遥感技术的发展,利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息,有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。以中国东北地区赤峰市旺业甸国有林场为试验区,采用覆盖完整自然年的共36景高分一号（GF-1）WFV时间序列数据（16 m）,提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数（NDVI）,结合支持向量机（SVM）模型对研究区内5种典型优势树种：油松、落叶松、山杨、白桦和蒙古栎,进行不同时间尺度下（单季相、全季相、逐月和逐旬）的光谱识别研究。同时,分别基于原始时序光谱及其一阶、二阶和三阶微分变换结果,探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。结果显示,基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果（p＜0.05）,其中采用全季相数据的树种总分类精度相比于春、夏和秋不同季节的单季相数据结果,分别提高了7.67%,6.64%和3.6%,表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要,同时秋季是采用单时相数据的最佳识别季节（p＜0.05）;在不同时间序列数据中,基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果（p＜0.05）,而基于全季相数据的光谱识别结果最低（p＜0.05）,表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。此外,结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高（p＜0.05）,其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%,分别提升了3.38%和2.95%。研究表明采用基于全年逐旬或逐月尺度的时序光谱数据,并结合相应的微分变换方法,可以有效提高区域尺度优势树种的识别精度,为相关多光谱森林植被精细识别研究提供参考。     

基于马氏距离法的荒漠树种高光谱识别

地面实测地物光谱可提供细致的光谱信息,表现同种地物不同理化特性和不同种类地物光谱的微小差异,使利用光谱进行地物识别成为可能。使用美国HR-768型地物光谱仪,在塔里木河下游和吐鲁番沙漠植物园实测胡杨、柽柳、梭梭和沙拐枣高光谱数据,利用包络线去除、一阶微分和二阶微分法对原始光谱进行变换处理,使用马氏距离法确定所测树种原始光谱和变换光谱的差异显著波段,利用逐步判别法检验所选差异波段的识别效果。结果表明：马氏距离法可准确确定树种识别的最佳波段,且上述4树种光谱识别波段大多位于近红外区。原始光谱、包络线去除、一阶微分和二阶微分四种光谱对4树种的识别精度分别为：85%,93.8%,92.4%和95.5%;可见,原始光谱经变换处理可提高树种的识别精度。但不同研究对象、不同光谱处理方法,提高识别精度的效率不同。研究结果将为大尺度高光谱遥感影像用于荒漠植物分类与生境监测和评价提供依据。     

光谱特征分析的城市道路提取

道路是城市中典型的人造地物。利用高分辨率影像进行城市道路提取,对城市规划、交通发展具有重要意义。由于地物光谱的混淆性和异质性,利用传统基于光谱的分类方法很难将道路与其他城市地物区分开。针对这一问题,提出了一种利用道路边缘结构信息进行分类的方法,边缘作为光谱衍生信息对线性地物(如,道路等)识别具有明显的意义。首先,根据全色光谱波段纹理信息,利用改进的自适应Mean Shift算法进行边缘检测,最大限度减少噪声与伪边缘;然后,对边缘图像中的线段进行编组,利用统计模型依次对边缘线段求取统计特征,并将该统计特征与多光谱特征结合作为总分类特征;最后,利用监督学习方法对城市道路样本进行学习并对整个实验区域进行分类。结果表明将光谱信息与边缘统计特征融合对道路的识别精度为93%,相比传统方法78%的精度有显著的提高,因此,该方法是一种有效、可行的高分辨率遥感图像城市道路提取方法。     

结合DEM的红边-近红外植被指数提取城市植被信息

随着生活水平的不断提高,城市植被已成为衡量城市宜居性的重要标准之一,对城市生物多样性评估和保护起到非常重要的作用。因此,合理规划城市植被是解决环境问题和提高生活质量的重要手段。因此,城市植被的提取和监测成为重中之重的任务。目前,城市植被提取一方面受到地域和物种的影响,另一方面也受到地形和建筑物阴影的影响。为解决上述问题,提出了一种结合数字高程模型(DEM)的红边-近红外植被指数模型（RENVI）。首先选取了3景经过辐射定标和大气校正的具有红边波段、且光谱和空间分辨率较高的Worldview-3遥感影像;然后,根据红边波段对于植被具有较高的敏感性,且红边范围内的光谱数据与反映植被生长状况的参数有较好的相关关系原理,采用DEM模型和红边波段光谱差异,有效去除地形和建筑物阴影;最后,在可见光波段范围内建立红边光谱-近红外光谱构建特征空间,构建了红边-近红外植被指数模型,同时与归一化植被指数（NDVI）和增强型植被指数（EVI）进行城市植被提取的定性和定量对比分析。定性分析是利用真实植被影像参考图与模型提取植被影像进行视觉分析;后者是采用用户精度、生产者精度、总体精度和Kappa系数进行量化分析。定性分析表明：NDVI和EVI提取城市植被,由于建筑和道路像元混淆在植被中,产生了错分和漏分的问题。RENVI较好地消除了阴影像元与植被像元混淆问题,能准确的提取城市植被,减少了冗余度,增加了植被指数的信息量。定量分析表明：RENVI模型较NDVI和RVI能够准确提取城市植被,3景影像总体精度分别为89%,81.4%和91.8%,Kappa系数分别为0.852 8,0.791 3和0.905 2。综上所述,该方法有效提高了城市植被提取精度,并取得了较好的提取视觉效果。     

基于端元可变的喀斯特地形复杂区石漠化信息提取

喀斯特山区因地形复杂、地表破碎等特点使得遥感影像中阴影、混合像元及光谱变异现象普遍存在,传统基于多光谱遥感的像元二分法（DPM）在光谱变异和阴影显著的区域难以准确的对喀斯特石漠化（KRD）信息进行提取。采用高光谱遥感的混合像元分解技术可将复杂的混合像元分解为纯净的地物光谱与各地物光谱对应的混合比例,为复杂山区获取更高精度的石漠化信息提供可能。然而,由于光照、环境及大气等诸多因素的变化会引起端元发生不同程度变异,导致在混合像元分解过程中出现显著的误差,其次要从地形复杂、地表异质性强的山区影像上直接获取地物纯净光谱建立用于应对光谱变异的光谱库极其困难。因此,如何在这种情况下应对光谱变异和地形效应,获取有效、准确的对石漠化信息进行提取是当前研究的重点。针对以上问题,采用通过模拟由光照条件造成的地物反射率变化,并考虑每个波长间隔光谱变异情况的广义线性混合模型（GLMM）,以减轻喀斯特地区石漠化信息提取过程中光谱变异与地形效应的影响。首先,从GF-5高光谱影像中提取喀斯特地区主要地物（植被、裸岩、裸土）的典型代表性光谱,然后基于提取的地物光谱模拟不同光照下每个像元光谱的变异情况,选择最适合的光谱组合对像元进行分解,得到最优的解混效果。为了验证方法的可靠性,利用高分辨率影像目视解译的结果作为参考对方法预测结果进行验证,同时选择未考虑端元变异的全限制最小二乘法（FCLSU）和DPM进行对比。结果表明,在地形高度复杂的喀斯特山区,考虑阴影、混合像元及光谱变异是必要的,GLMM在石漠化信息提取中总精度达到了84.89%,明显高于其他两种方法的59.68%和67.34%。通过对光照区和阴影区分别进行精度检验,发现GLMM在光照区与阴影区有着相似的精度表现,而另外两者则差异较大,阴影区明显低于光照区。这反映GLMM能较为有效地减轻地形效应的影响,对喀斯特石漠化信息提取的精度有一定提升。     

基于TTDF和CNS算法的多路BOTDR散射谱信息高精度分析研究

传统的BOTDR光纤传感系统采用单路传感光纤实现对信息特征的测量,交叉敏感等不可控因素会使散射谱拟合精度较低,信息分析偏差较大。设计了一种同时对多路传感信息进行检测的BOTDR系统。针对基于布里渊光时域反射(BOTDR) 的多路传感散射谱高精度特征提取的要求,提出了一种三次数据融合(TTDF)与布谷鸟牛顿搜索(CNS)相结合的散射谱信息分析方法。该方法利用TTDF对信息数据的融合能力,根据狄克逊准则和格拉布斯准则,剔除了异常值的影响,减小了传感信号的误差;采用布谷鸟牛顿搜索算法进行频谱拟合,不仅通过布谷鸟的智能搜索能力得到全局最优解,而且以该最优解作为牛顿算法的初值进行局部寻优,保证了频谱拟合的精度,提高了布里渊散射谱信息分析的准确度。在温度信息散射谱线性权重比为1∶9的情况下,分析了不同线宽散射谱信息的提取。采用该方法进行多路数据融合的方差约为0.003 0,散射谱的中心频率约为11.213 GHz,温度误差小于0.15 K。理论分析和仿真结果表明,将此方法用于基于布里渊光时域反射的多路分布式光纤传感系统,可有效提高多路传感信号的准确度和布里渊散射谱信息分析的精确度。