一种新的光谱特征提取方法

研究了天体光谱的特征提取问题,这是光谱自动处理中的一个关键环节.通过特征提取,不仅能够约简数据、减少冗余,而且亦能抑制噪声干扰,对识别系统的精度和效率均有重要影响.提出了一种基于空间转换和分解的特征分析模型(STP),基于此,可实现对常用光谱特征提取方法的分析,例如,无监督的主成分分析(PCA),小波变换(Wavele...     

多源光谱特征组合的COD光学检测方法研究

水样的化学需氧量大小直接决定水质的污染程度,传统的检测方法都是源于氧化还原反应,对水样会造成二次污染。为此,提出一种基于多源光谱特征组合的水质化学需氧量光学检测方法,以不同地点实际水样为被测对象,分别采集其紫外和近红外光谱曲线,进行预处理后,通过非负矩阵分解算法进行光谱数据的特征提取、数据特征归一化,然后将组合特征输入训练集样本,通过粒子群最小二乘支持向量机算法对验证集水样的化学需氧量进行定量预测。讨论了非负矩阵分解算法中基光谱数目对预测模型的影响。实验结果显示,紫外光谱的最佳基光谱数目为5,近红外光谱的最佳基光谱数目为2;预测模型的验证集平方相关系数为0.999 8,预测均方根误差为3.26 mg·L-1;分别与不同特征提取方法(主成分分析, 独立成分分析)、不同光谱法(紫外光谱法, 近红外光谱法)以及不同的组合方式(数据直接组合, 先组合数据再提取特征)加以比较,表明非负矩阵分解算法更适合光谱数据的特征提取,粒子群最小二乘支持向量机算法作为实际水样的定量模型校正方法可以得到良好的预测精度。     

基于谱线特征匹配的恒星光谱自动识别方法

我国正在实施的大型巡天项目(LAMOST项目),急需恒星光谱的自动识别系统。文章给出了一种基于谱线特征匹配的恒星光谱自动识别方法。该方法由以下主要步骤组成：(1) 利用小波变换的方法对观测光谱进行谱线特征提取;(2) 将提取出的特征和恒星谱线的特征模板进行相关匹配;(3) 根据相关匹配结果进行恒星光谱识别。通过对Sloan Digital Sky Survey (SDSS),Data Release Four (DR4)中的大量真实光谱数据实验表明,该方法具有对噪声鲁棒等特点,正确识别率高达96.7%。该方法可对相对定标的巡天光谱进行自动识别,符合LAMOST数据的要求,可为天文学家进行恒星和银河系的结构等研究提供帮助。     

基于BP神经网络的血液荧光光谱识别分类研究

光谱技术在生物和医学检测方面具有积极的应用前景。由于血液成分的复杂性和类同性,有关不同动物血液光谱识别分类的技术研究尚未出现较为完善的结论。基于机器学习理论, 以BP神经网络为工具, 建立了对不同动物血液荧光光谱进行特征提取和识别分类的方法。实验采用Cary Eclipse光谱仪分别采集了鸽、鸡、鼠、羊四种动物不同浓度(1%和3%)的全血与红细胞荧光光谱数据(每个类型样本各50组数据);基于移动平滑算法对原始数据进行了平滑处理,以减少实验仪器噪声对特征提取和识别分类的影响;进一步根据血液光谱数据的特性, 该文出了“组合放大”的特征提取方法, 并建立了BP神经网络分类器进行训练和识别。相比于常用的光谱数据(单一)特征, 提出的“组合放大”特征和所设计的BP神经网络能对不同动物、不同类型(全血与红细胞)、不同浓度(1%和3%)的血液荧光光谱实现100%的准确分类, 同时神经网络测试误差均远小于设定的允许误差值。研究的动物血液光谱特征提取及识别技术具有较好的普适性和可靠性, 在农业、食品检查、以及生物医学检测等方面均可发挥重要作用。     

RVM有监督特征提取与Seyfert光谱分类

特征提取是光谱自动识别中的一个基本问题,它决定着光谱识别系统的性能和复杂度。目前的天体光谱自动分类研究主要使用的是基于以线性主成分分析(PCA)、小波变换(Wavelet transform)、人工神经网络(ANN)等为代表的非监督特征提取方法,而它们在特征提取时没有考虑到训练数据中的类别信息,并非按照分类能力进行特征选择和降维。文章研究了相关向量机(RVM)有监督特征提取方法及其在Seyfert光谱细分类中的应用。RVM是机器学习领域在近几年提出的一种Bayesian学习方法,它能有效地融合已有的先验知识、对问题的信念、训练数据和相应的类别信息,并按照分类能力提取特征,在理论上具有很大的潜在优势。另外,初步的实验结果表明,基于RVM的有监督特征提取方法在Seyfert光谱细分类中具有较好的性能。     

光谱特征提取对近似矿物光谱差异性影响分析

矿物光谱特征是基于光学遥感数据对矿物进行种类识别及定量反演的理论基础,光谱特征提取是高光谱数据常用的技术手段,但在多光谱数据中较少涉及。近似矿物识别是矿物光谱分类应用中的难点,目前还缺少有效指标来指示近似矿物类别光谱的差异性。光谱特征提取有望提高矿物分类精度,但该处理对近似矿物光谱差异性的影响还缺少相关研究。本文从矿物光谱差异性的原理出发,通过类间和类内光谱角的比值体现不同类别群体差异,并引入样本量因素,提出了类别可分比作为近似矿物光谱差异性的指标。以明矾石和高岭石两种近似矿物为例,对USGS光谱库光谱及Hyperion,ASTER,OLI等传感器的模拟数据进行光谱特征提取处理,通过对比处理前后矿物光谱差异性的变化,分析光谱特征提取对近似矿物光谱差异性的影响。实验结果表明,有效的光谱特征提取可以显著提高近似矿物光谱差异性,并且光谱分辨率越高,近似矿物光谱差异性越大。此外,光谱分辨率及中心波长设置对于包络线去除结果有很大影响,多光谱数据吸收特征提取效果有待进一步提高。该研究为今后近似矿物光谱识别精度的提高奠定了基础,也为未来新型遥感找矿传感器参数设置提供了参考。     

基于SAM-ED光谱匹配的绝缘子污秽类型检测方法研究

污闪是威胁电网安全可靠运行的重要原因之一，污秽类型差异将直接影响闪络电压大小。因此，及时掌握绝缘子污秽类型信息对预防污闪有重要作用。为此提出了一种基于SAM-ED光谱匹配的绝缘子污秽类型检测方法。采集不同污秽类型样本高光谱数据，经黑白校正及多元散射校正(MSC)去除噪声等干扰因素；利用竞争自适应重加权采样法(CARS)对光谱数据进行特征选取，分别在特征波段和全波段范围内通过SAM-ED光谱匹配法将测试组样本光谱与参考光谱进行匹配，根据匹配结果对样本进行分类；实验结果表明：相比于光谱角匹配法和最小距离法，SAM-ED光谱匹配法检测效果更好；基于全波长数据进行SAM-ED光谱匹配准确率可达95%,基于特征波长数据进行SAM-ED光谱匹配准确率可达98.33%。     

基于多重分形谱的高光谱数据特征提取

针对单一分形维数在高光谱数据处理中的不足,提出了一种基于多重分形谱的光谱信号奇异性特征提取方法,引入多重分形谱表征光谱曲线的奇异性特征.该方法根据分形测度将光谱曲线进行划分,用光谱概率测度计算配分函数,通过尺度指数的Legendre变换实现光谱曲线多重分形谱的提取,根据各类地物间的类别可分性准则Bhattacharyya距离选择有效特征,最后利用地物分类实验来验证该方法的有效性.实验结果表明,多重分形谱用于分类时分类精度达95.2%,当其维数为原数据波段数的10%时,总体分类精度仍可达82.2 %.多重分形谱表征了具有相同奇异性的波段子集的分形维数,准确的描述了光谱曲线的奇异性和分布特点,该方法能够有效地实现高光谱数据的特征提取.     

高光谱遥感信息中的特征提取与应用研究

特征提取、度量与分析是高光谱遥感应用的基础.面向高光谱遥感数据的特点, 将光谱特征划分为点尺度、面尺度和体尺度三个尺度的特征.基于特征属性与算法原理, 构建了光谱曲线特征、光谱变换特征和光谱度量特征三个层次的高光谱遥感光谱特征体系, 并对光谱特征提取与应用进行了深入探讨.光谱曲线特征包括直接光谱编码、光谱反射与吸收特征等, 光谱变换特征包括植被指数、导数光谱等, 光谱度量特征则包括光谱角、SID、相关系数和距离等.在分析特征算法原理的同时对其特点和应用进行了探讨.试验表明四值编码、光谱角和SID在应用中能够取得较好的效果.     

基于SPA和多分类SVM的紫外-可见光光谱饮用水有机污染物判别方法研究

快速、有效地识别饮用水中污染物类别对于降低突发饮用水污染事件影响十分重要。目前基于紫外-可见光光谱法的饮用水污染物判别模型大多使用主成分分析(PCA)进行特征提取,然而,对于光谱相似度较高的有机污染物,仅从数据驱动的角度提取其方差最大的方向作为特征进行识别效果往往不佳。针对有机污染物光谱数据多重共线性以及谱峰重叠干扰的问题,开展了基于连续投影算法(SPA)和多分类支持向量机(M-SVM)的紫外-可见光光谱饮用水有机污染物判别方法研究。首先,使用紫外光谱仪测量苯酚、对苯二酚、间苯二酚和间苯二胺的原始光谱数据并进行预处理,在对四种污染物进行了波长与浓度的相关关系对比分析后,发现苯酚和间苯二酚、对苯二酚和间苯二胺的谱峰重叠较为严重;特征提取时,引入SPA筛选有机污染物紫外-可见光光谱数据的特征波长组合,并对不同波长个数时的光谱吸光度进行多元线性回归分析,选取对应最小预测标准偏差的参数及波段组合作为最优参数组合;基于最优特征波长组合,构建基于多分类SVM的饮用水有机污染物分类识别模型;最后,对比分析了全光谱、 PCA及SPA特征提取后的光谱数据在不同分类方法及不同污染物浓度下的分类效果,进一步说明了SPA的适用性和稳定性。实验结果表明, SPA作为一种提取光谱数据原始特征波段的方法,可以有效的对有机污染物的紫外-可见光光谱进行特征提取,提升不同物质之间的差异,在一定程度上消除多重共线性和谱峰重叠干扰,从而提高分类模型的准确率。该方法对于解决饮用水中谱峰重叠的污染物类型判别问题具有参考价值。     

红外光谱和聚类分析法无损快速鉴别赤芍

以赤芍的红外指纹图谱作为聚类分析的对象，在建立主成分模型的基础上，采用SIMCA聚类分析法对赤芍进行了快速的分类研究，结果表明，由于野生与野生与栽培赤芍的红外提纹图谱变异度较大，其光谱聚类的结果较理想，盲样检测的正确可达90％，由于不同产地的赤芍的红外指纹图谱异度较小，进行聚类分析后用盲样检测，正确率为75％，对于变异度较小的样品，若要提高识别的置信度，需增加样品的数目和采样的代表性，总之，红外指纹图谱与聚类分析法相结合可以快速鉴别药材的道地性。     

基于多分辨率融合距离的低质量星系光谱红移测量方法

星系光谱红移测量是大规模天体光谱巡天项目中的一个重要研究内容,其目的是从在光谱中测量出对应星系由于多普勒效应引起的红移。随着银河系外巡天项目的开展,观测目标距离(红移)越来越远,其星等越来越暗,光谱的质量也随之越来越差,如何能够有效准确地从这些低质量的光谱测量出红移是河外巡天面临的一个重要问题。基于此问题,充分考虑到低质量星系光谱的特点及数据特征,新定义了一种针对低质量巡天光谱数据的多分辨率融合距离,以此为基础提出一种针对低质量星系光谱的红移测量方法。该方法充分结合不同分辨率下光谱的特征,计算距离时首先将模板光谱和待测光谱同时降到多个相同分辨率下,该分辨率下所有波长采样点都计算一个偏差进而得到一个距离,然后将多个分辨率下得到的距离通过加权得到一个融合距离。基于多分辨率融合距离提出的星系红移测量方法,能够有效的解决低质量星系光谱的红移无法准确测量的问题。研究了不同信噪比下红移测量的精度,在信噪比大于5之后,该方法测量准确率可以达到90%以上。大量实验表明,提出的方法在星系光谱质量较低的情况可以非常准确地从中测量出红移,测量误差和红移大小无关,可以很好地应用于大规模巡天数据的星系光谱红移测量中。     

光谱成像分析技术在探讨钩藤亲缘关系中的应用

应用自行设计的液晶光谱成像装置对不同地方居群的钩藤叶进行透射光谱检测分析。绘制特征曲线,构建成像特征图谱,并对钩藤叶的特征光谱进行聚类分析。分析结果显示:钩藤叶的成像特征光谱相似度及其聚类分析对钩藤亲缘关系的判定结果与植物分类学鉴定结果相一致。说明光谱成像分析技术可应用于探讨钩藤亲缘关系。应用光谱成像分析技术设计的液晶光谱成像系统可对中药进行快速无损检测。同一样品可反复进行多次实验,实验操作方法简便快捷。可为中药研究提供新的检测方法。     

近红外光谱和聚类分析法无损快速鉴别小儿抽风散

以小儿抽风散不同缺味复方的近红外图谱作为聚类分析的对象,在建立混合成分模型的基础上,采用SIMCA聚类分析法对小儿抽风散不同缺味复方进行了快速的分类研究。实验中,在保证其他配伍组分完整的基础上,分别设缺少蜈蚣、全蝎、僵蚕、土鳖虫和蝉蜕的5个阴性样品。结果表明：尽管各样品的近红外谱图很相似,难以直接区别,但采用近红外光谱和聚类分析相结合的方法可以鉴定小儿抽风散的不同缺味复方。各样品之间光谱聚类的结果较理想,盲样检测的正确率可达90％以上。此外,如果能够获得足够多的样本,增加训练集样本数和采样的代表性,加强操作的标准程度,该法的准确率将会大大提高。因此,近红外光谱与聚类分析法相结合可以快速、无损识别中药复方。     

模糊K-Harmonic-Kohonen网络的FTIR光谱数据聚类分析

食品的品种不同则其含有营养成分和功效存在差异,得到的傅里叶变换红外光谱也存在差异。为了准确的实现品种分类,设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中,提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率,以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心,可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。FKHKCN作为一种模糊聚类算法,可实现傅里叶变换红外光谱数据的聚类分析。采用三种数据集：(1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本,样本总数为96。(2)两个品种(robusta和arabica)的咖啡样本。(3)三个品种(鸡肉、猪肉和火鸡)的肉类样本。首先对三个光谱数据集进行预处理,利用多元散射校正降低茶叶样本原始光谱数据集的散射影响,使用Savitzky-Gol...     

41个茶花品种基因组DNA傅里叶变换红外光谱

研究的目的是通过全基因组DNA的傅里叶变换红外光谱(FTIR)对41种茶花品种进行聚类分析和品种鉴定。研究发现,41个茶花品种基因组DNA的FTIR光谱不同,方差分析显示,各茶花品种FTIR数据之间的差异显著,因而,红外光谱可以作指纹光谱鉴定茶花。通过系统聚类结合主成分分析,建立了41种茶花品种的标准聚类和识别模型。41种茶花品种基因组DNA样本的平均光谱的聚类正确率为92.68%,品种鉴定准确率为100%。聚类结果表明,在1.0聚类距离,41个山茶品种可分为9个类别,在15.0聚类距离下可分为3个大类。亲缘关系分析表明,滇山茶中的楚雄居群来自楚雄、腾冲和大理。结果表明：基因组DNA的FTIR光谱数据的系统聚类结合主成分分析可用于茶花快速分类和鉴定。     

反射光谱特征的土壤分类模型

土壤反射光谱综合反映了土壤的理化性质和内部结构,高光谱遥感已被用于基于土壤反射光谱特性的土壤分类。已有研究一般利用土壤反射光谱一阶微分主成分作为输入量进行光谱分类模型构建,但主成分数据缺乏物理意义,且缺乏对比性、适用范围也有限。与反射率一阶微分数据相比,基于去包络线提取具有明确物理意义的特征参数,能够提高土壤分类的精度,并寻找到一种高精度土壤分类模型。选取吉林省农安县的四种典型土壤（风砂土、草甸土、黑土、黑钙土）,将采集后的土壤样本进行风干、研磨、过2 mm筛处理,采用ASD FiledSpec®3便携式光谱仪对处理后的土壤样本的可见光近红外光谱区进行测试,从而获得土壤样本的光谱数据。对光谱数据进行九点平滑、10 nm重采样处理进行降噪,将处理后的数据分别进行一阶微分主成分以及去包络线处理。利用土壤样本的去包络线提取光谱特征参数。以一阶微分主成分数据和光谱特征参数为输入量分别代入Logistic聚类模型（LR）、人工神经网络聚类模型（ANN）、K-均值聚类模型（K-means）。首先明确了不同土类之间的反射光谱曲线、去包络线的差异大小,以及相同土壤的反射率曲线、去包络线进行土壤分类的优劣,并且在去包络线的基础上提取能够区分不同土类的光谱特征参数;其次,比较一阶微分主成分与光谱特征参数作为输入量时,三种光谱分类模型精度差异并分析不同模型精度差异的原因。结果表明：（1）四种土壤的反射光谱曲线差异较小,去包络线可以极大的增强四种土壤在430～1 210 nm之间的光谱差异,并在去包络线的基础上构建具有明确物理意义的光谱特征参数。（2）将一阶微分主成分和光谱特征参数分别代入三种聚类模型可知,以光谱特征参数为输入量的土壤光谱分类模型均超过了以一阶微分主成分为输入量的模型精度,由于光谱特征参数保留了原数据的物理意义、更准确的体现了不同土壤类型之间的差异性,而一阶微分主成分数据带有一定的模糊性不同范围之间缺乏对比性,在土壤分类中以光谱特征参数作为输入量更具有优势。（3）在三类土壤分类模型中,LR的分类精度最高为76.67%,Kappa系数为0.56;ANN的分类精度中等为72.50%,Kappa系数为0.48;K-means的分类精度最低,只有65.00%,Kappa系数为0.33。研究成果可为土壤精细制图、以及土壤分类仪器的研制提供技术支持。     

空间外差光谱仪干涉图滤波方法研究

在分析空间外差光谱仪干涉图生成及特点的基础上,提出了基于改进旋滤波的干涉图降噪方法。该方法是在干涉条纹的切线方向进行滤波,能够在不改变干涉图条纹细节的基础上减少干涉图中的随机噪声和暗斑噪声的影响。同时该方法还能有效降低平均光谱的背景噪声,提高特征光谱与背景噪声的信噪比,结果显示旋滤波方法对加入噪声前后干涉图的平均光谱背景噪声信噪比改善分别为47%和240%,能够将一些峰值较小的特征谱从背景噪声中提取出来,提高空间外差光谱技术对一些弱特征光谱的识别率。     

金纳米与磁场作用下LIBS检测灵敏度改善研究

针对激光诱导击穿光谱技术（LIBS）中等离子体的发射光谱增强问题,提出一种磁场增强LIBS与纳米颗粒增强LIBS（NELIBS）相结合的方法。采用热蒸发法在样品表面沉积一层直径20 nm的金纳米颗粒。利用波长为1 064 nm,最大能量为200 mJ的Nd∶YAG脉冲激光器在室温,一个标准大气压下对纯铜和黄铜进行诱导击穿。调整激光能量为30~110 mJ,分别使用传统LIBS、磁场增强LIBS、NELIBS以及两种方法结合对纯铜进行激光诱导击穿,得到特征谱线(Cu Ⅰ 521.8 nm)的强度增强因子和信噪比,并对其增强机理进行分析。在相同环境下使用四种方式对黄铜和纯铜进行诱导击穿以探测样品中的微量元素。当在样品表面沉淀金纳米颗粒或者将沉淀有金纳米颗粒的样品放在磁场中进行诱导击穿时,发现纯铜样品的光谱中存在Mg元素的特征谱线Mg Ⅱ 279.569 nm,黄铜样品的光谱中存在Si元素的特征谱线 Si Ⅰ 251.611 nm。实验结果表明：单独施加磁场约束或增加纳米金颗粒均可以有效增强等离子体光谱强度,但增强效果弱于两种方法结合,磁场约束对光谱的增强效果弱于NELIBS的增强效果。当结合NELIBS与磁场约束LIBS时,谱线增强因子最高可达14.3(Cu Ⅰ 521.8 nm),相比于磁场增强LIBS和NELIBS,最大增强因子分别提高了28%和59%。四种情况中当激光脉冲能量逐渐增大时,等离子体向外膨胀的强度增大,磁场产生的洛伦兹力束缚等离子的能力相对减弱,同时纳米金颗粒对等离子体发射光谱的增强作用被削弱,谱线强度降低,等离子体的增强因子逐渐减小后趋于稳定。通过NELIBS与磁场约束LIBS结合方式,不仅可以有效提高等离子体的发射谱线强度,改善光谱信号信噪比,而且传统LIBS方法中由于谱线强度低、背景噪声大而无法探测的微量元素可以被探测到,LIBS技术对微量元素的探测能力得到显著提高,微量元素的探测下限变得更低。NELIBS与磁场约束LIBS结合的方法具有更高的灵敏度和准确度,为激光诱导击穿光谱技术的谱线增强方法提供了新的思路,在该领域具有广阔的应用前景。     

一种广义噪声聚类的红外光谱茶叶品种鉴别研究

茶叶品种鉴别在茶叶的生产和销售中起着十分重要的作用。深入研究一种方法简单、易于操作、检测速度快的茶叶品种的鉴别方法,对于茶叶产品品种的鉴别有着十分重要的意义。利用红外光谱检测技术结合模糊聚类算法对茶叶品种进行快速鉴别是茶叶品种检测中最有效的和最实用的技术之一。为实现茶叶品种的快速分类,以快速广义噪声聚类(FGNC)为基础,提出一种新的广义噪声聚类(NGNC)。NGNC将FGNC目标函数中的欧式距离的平方扩展为欧式距离的p次方,提高了FGNC的聚类准确率。试验以优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰三种茶叶为研究对象,采用FTIR-7600型傅里叶红外光谱仪检测茶叶样本的红外漫反射光谱。首先用主成分分析(PCA)对茶叶的高维红外光谱进行降维处理,然后用线性判别分析(LDA)进行茶叶光谱数据的品种类别信息的提取,最后分别运行FGNC和NGNC两种聚类算法进行茶叶红外光谱的聚类分析。实验结果表明,同FGNC相比较,NGNC具有更高的聚类准确率,更快的收敛速度和更逼近真实的聚类中心。总体而言,采用红外光谱技术检测茶叶样本,同时结合PCA,LDA和NGNC可实现快速、准确地聚类茶叶的红外光谱,能有效地实现茶叶品种的鉴别分析,为实现基于红外光谱和模糊聚类的茶叶品种鉴别分析提供了一种新方法和新思路。