基于多尺度分析和加权最小二乘法的非制冷红外条纹噪声校正算法

为了提高红外成像质量的同时更大程度地保持纹理信息,提出一种多尺度分析和加权最小二乘法的条纹噪声非均匀性校正算法.该算法利用加权最小二乘法对图像进行平滑,应用小波变换提取平滑图像的垂直分量,并将其垂直分量替换为原始图像的垂直分量,利用小波重构输出校正后的图像.算法能够精准地去除红外噪声,而不会带来更加麻烦的"鬼影"问题.用该算法对多组不同红外图像数据进行仿真实验,并与其他先进的红外条纹非均匀校正算法进行对比分析,结果表明所提算法校正结果有较好的视觉效果和图像质量评估参数.     

基于加权最小二乘法的干涉图校准方法

针对现有干涉图校准方法的不足,提出了一种基于加权最小二乘法的干涉图校准方法。根据干涉图中标准件边缘与干涉条纹边缘之间的差异,用合适大小的掩模对标准件的边缘进行初步判定和提取,再利用加权最小二乘法对提取出的边缘进行精确定位。通过计算标准件中已知尺寸部分在干涉图中所占据的像素数目,求出每个像素代表的实际距离,完成校准。实验表明,该方法的计算耗时较霍夫变换法减少一半,定位精度小于1个像素,且适用于不同对比度的干涉图,具有很强的实用性。     

基于调制度分析的加权最小二乘相位展开方法(英文)

介绍了光学相位展开的加权最小二乘法,采用调制度分析方法确定其权值.模拟和实际的相位展开例子都说明了其有效性.     

基于最小二乘法的均匀扩声技术研究

针对目前室外及超大型室内空间的扩声应用中声场分布不均匀的问题,本文提出了一种基于最小二乘法声场重建方法的扩声技术。该技术通过对目标声场的逼近来计算线性扬声器阵列各通道的输入参数,实现扩声区域内声压级的均匀分布,同时约束非扩声区域的声能量以获得较好指向性。本文通过仿真研究算法各参数的改变对控制结果的影响,探讨不同扩声区域和目标所对应参数的选取方法。仿真和实验比较了该算法以及未经控制的声场、相移法波束控制的效果,证明该方法可以获得更好的声场均匀度。     

一个简洁的最小二乘法拟合程序

一个简洁的最小二乘法拟合程序陈乃强（河北师范学院物理系石家庄０５００９１）用最小二乘法对含有随机误差的离散数据进行曲线拟合，能将变量ｘ与ｙ间变化关系的ｍ对测量值，总结成ｘ、ｙ间最可几的函数表达式ｙ＝ｆ（ｘ）．但由于此方法所需计算量甚大，故只有在微机已...     

基于Matllab的约束最小二乘法拟合磁滞回线

由实验测得的磁滞回线数据的是一系列离散、带噪声的值。通过约束最小二乘方法对曲线进行分段拟合,使曲线的畸变程度得到了改善,准确地表达磁滞回线的特性,为磁材料的定量分析述提供了基础。     

基于角度信息的递推最小二乘无源定位算法

针对机载单站无源定位的定位精度和实时性等问题,提出了一种基于角度信息的递推最小二乘(RLS)无源定位算法;首先建立了机载单站三维无源定位模型,求出最小二乘(LS)解;然后依据机载单站无源定位的实时性要求将最小二乘估计转化为递推最小二乘估计的形式;最后通过不同的仿真实验研究了影响定位精度和收敛速度的因素;仿真结果表明:RLS算法与LS算法在定位精度和收敛速度方面性能相似,但RLS算法运算复杂度低,所需存储空间小,能够实时的对目标进行定位,满足机载单站无源定位的需求。     

基于最小二乘法的波面函数拟合

采用最小二乘法对特殊波面函数进行数据拟合,并得到通用性公式。为制作产生特殊波面的计算全息元件打下了数学基础。     

偏最小二乘法在傅里叶变换红外光谱中的应用及进展

偏最小二乘法(PLS)是一种应用非常广泛的化学计量方法,它综合了多元线性回归法(MLR)和主成分回归法(PCR)的优势,具有预测能力强和模型相对简单等优点。PLS使傅里叶变换红外光谱的应用范围不断扩大,同时算法也得到了改进和完善。文章介绍了偏最小二乘法在傅里叶变换红外光谱中的应用,对改进算法,如移动窗口PLS(MWPLS)、稳健PLS(RPLS)、加权PLS(WPLS)和非线性PLS等进行了介绍。同时,对应用PLS时数据的预处理、变量的选择、噪声的处理和非线性模型的建立进行了综述。     

对固定平台红外单站被动定位技术研究

介绍了一种基于红外成像和序列图像处理技术的对固定平台红外单站被动定位新算法.该算法通过对红外成像目标的实时测量信息求解出目标相对测量基站的距离,它适用于匀速、匀加速和变加速等各种运动模型,具有定位精度高、体积小和便于机动的特点.该算法对可见光成像单站被动定位同样有效.     

红外单站被动定位技术速度更新算法研究

针对红外单站被动定位技术中空中机动目标的运动速度不断变化这一实际情况,提出了一种基于红外相机运动特性的对目标的运动速度进行实时更新的校正算法.该算法克服了大多基于匀速直线运动这一空间模型的红外单站被动定位方案目标速度不变的缺点,客观地反映了空中机动目标的实际运动状况,不仅能对目标的运动速度进行实时准确的更新校正,而且可推演出一种新的红外单站被动定位算法,对推动红外单站被动定位技术的工程实用化进程具有重要的意义.     

基于最小二乘法的声速测定实验数据处理及分析

用振幅极大值法比振幅极小值法测声速的误差小和声波在传播过程中声压按指数函数关系衰减。     

基于形态学处理和最小二乘法的海天线检测算法

海天线的检测和提取是舰船红外图像处理中的一个重要内容,在综合分析比较基于边缘检测、图像分割以及小波变换多尺度分析等多种海天线检测算法优缺点的基础上,提出一种基于形态学处理和最小二乘法的算法,仿真分析表明此算法能适应含有各种干扰的海面背景环境,鲁棒性好,并且提取精度高,能精确定位海天线。     

基于集成最小二乘支持向量机方法的近红外光谱分析

针对近红外（Near Infrared,NIR）光谱测量中的小样本问题。本文提出了一种集成最小二乘支持向量机（Ensemble Least Squares Support Vector Machine,ELS-SVM）新算法。首先使用随机子空间算法（Random Subspace Method,RSM）原始高维变量空间划分为若干个低维度的子空间,然后分别在各个子空间建立最小二乘支持向量机（LS-SVM）模型,最后构造一个集成结果来进行预测。针对一批柴油样本的实验结果表明,本法对柴油十六烷值的预测精度优于传统的LS-SVM方法。     

基于遗传算法的多目标最小二乘支持向量机在近红外多组分定量分析中的应用

近红外(NIR)定量分析通常涉及多个组分,采用遗传算法和自适应建模策略,建立了能够对多组分同时定量的多目标最小二乘支持向量机(LS-SVM),并将其应用于玉米中四个组分和连翘中两个活性成分的NIR分析。结果表明多目标遗传算法配合自适应建模策略可保证优化收敛于全局最优解。所建玉米多目标LS-SVM模型明显优于PLS1和PLS2模型;连翘多目标LS-SVM模型与PLS模型均可取得较好的校正和预测效果。两组数据中,径向基神经网络(RBFNN)模型均出现过拟合现象。多目标LS-SVM和单目标LS-SVM性能相近,但多目标LS-SVM建模运行一次即可得到结果,在NIR多组分定量分析中具有潜在应用优势。     

基于近红外光谱和最小二乘支持向量机的聚丙烯酰胺类型鉴别

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法,能够快速、无损鉴别聚丙烯酰胺的三种类型。获取非离子,阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱,用主成分分析方法对样本光谱数据进行降维,并提取主成分。基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析,并将主成分作为最小二乘支持向量机的输入。通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。每种类型聚丙烯酰胺各采集60个样本,共采集180个样本,每种类型样本随机选取45个样本,共135样本作为训练样本集,剩余45个样本作为测试集。为了验证该方法能否鉴别掺假样本,制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。结果表明,预测测试集时,准确率为100%。预测10个混和样本时,所有混合样本都被准确识别出。说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力,为聚丙烯酰胺类型的快速鉴别提供了一种新方法。     

基于3D荧光光谱分析和多维偏最小二乘的PAHs浓度优化检测

多环芳烃(PAHs)具有强致癌性,威胁人类身体健康。在复杂水质检测环境中,利用荧光光谱检测PAHs浓度时,由于测量光谱中存在瑞利散射影响,使得PAHs光谱信号包含明显的非平稳噪声,常用的多次采样求均值法容易使PAHs光谱存在明显的测量误差,导致PAHs检测精度下降。为此,提出了一种基于3D荧光光谱分析和多维偏最小二乘(N-PLS)的PAHs浓度优化检测方法,首先分析了菲、芴、苊与荧蒽4种PAHs溶液的光谱特性,通过拟合散射带数据点值消除光谱中的瑞利散射噪声,同时尽可能地保留原光谱信息。提取4种PAHs光谱的均值、方差和一维边际分布等特征参数,利用聚类分析方法对其光谱数据做样本分类,将相似光谱数据样本进行合并;然后根据校正集的光谱信号与不同PAHs浓度之间的关系,建立N-PLS模型,对各类PAHs的浓度进行预测分析,并且验证PAHs浓度与光谱数据荧光强度的关系;最后利用双线性分解对浓度残差进行修正,对含有各类PAHs的水溶液与实际水样进行浓度残差验证,分析了不同参数下PAHs的预测误差。实验结果表明,溶剂菲有2个明显的荧光峰值,激发与发射波长分别为285/245和315/345 nm;芴与荧蒽均存在6个明显的荧光特征峰值,分别为265/255,325/345,335/325,365/355,385/395和405/415 nm,且与其他PAHs的荧光峰值相距较远; 溶液苊在发射波长300~485 nm的范围内存在连续波峰,且对应激发波长在255~360 nm范围内;N-PLS方法对不同水质环境下的PAHs预测误差较小,其中菲与芴均方根误差均小于0.4 μg·L-1,相对误差小于6%,苊与荧蒽均方根误差均小于1.0 μg·L-1,相对误差均小于9%。对4种不同的PAHs在河流中的扩散趋势进行了仿真分析,确定出了其扩散程度,其中芴与菲扩散速率约为51 mg·L-1,苊与荧蒽扩散速率为21 mg·L-1,且扩散速率在一定范围内呈线性增长趋势,PAHs与其浓度之间符合朗伯比尔定律的线性关系; 通过不同迭代次数下N-PLS方法的均方根误差分析,得到了均方根误差精度最高时的迭代次数;对比了不同主因子数时N-PLS方法对PAHs预测的适应度与相关系数,结果表明当主因子数为3时,适应度可达96.5%,此时N-PLS预测模型效果最佳。相比其他检测方法,本文方法检测精度较高,回收率较好,具有较强的鲁棒性。     

基于最小角回归与GA-PLS的NIR光谱变量选择方法

近红外(NIR)光谱一般具有较多的波长变量数,对其直接或间接地进行变量选择是提高模型稳定性能及预测性能的关键。最小角回归(LAR)是一种相对较新和有效的机器学习算法,常用于进行回归分析和变量选择。面向光谱建模应用,提出一种LAR结合遗传偏最小二乘法(GA-PLS)的变量选择方法,可有效筛选出少数特征波长点。首先在全光谱区利用LAR消除变量间的共线性得到初筛波长点,然后用GA-PLS对LAR筛选出的波长点进一步优选从而得到最终建模用的特征波长点。为验证本文方法的有效性,以药片和汽油的近红外光谱回归分析作为应用案例,对原光谱进行预处理后,采用该方法进行变量筛选,然后分别建模其中的活性成分含量和C10含量。结果显示,在这两个应用中,最终优化得到的特征波长点数均只需七个,而两者的预测决定系数R2_p分别达到0.933 9和0.951 9,与全光谱、无信息变量消除法(UVE)和连续投影算法(SPA)等方法相比,特征波长点更少,同时R2_p和预测均方根误差RMSEP值更优。因此,LAR结合GA-PLS,能有效地从近红外光谱中选择出信息变量从而减少建模波数,提高预测精度,拥有较好的模型解释性。该方法可为特定领域的专用光谱仪设计提供有效的波长筛选工具。