小波包分解支持下的高光谱混合像元盲分解

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度...     

小波包分解支持下的高光谱混合像元盲分解

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度,其准确度明显优于独立成分分析方法.该方法为高光谱遥感影像的盲分解提供了一条新的途径.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

高光谱遥感图像光谱解混的独立成分分析技术

高光谱遥感在对地球陆地、海洋、大气的观测中发挥着重要作用,高光谱遥感图像分析的关键是提取像元光谱内部各物质成分及其含量,即光谱解混。独立成分分析提供了一种先进的技术手段,在很少先验知识的前提下,实现端元(物质成分)光谱及其丰度(含量)的同时提取。但丰度约束破坏了各成分独立的前提条件,导致了独立成分分析的局限性。针对这一问题,提出了丰度约束下总体相关性最小化的解决方案,并指出总体相关性最小化下的理想角度,通过设计角度修正的独立成分分析算法把各成分调整到理想角度上。利用模拟数据与真实数据算法进行检验,结果表明：经过角度修正后,独立成分分析突破了原有的局限性,有助于进一步提高独立成分分析技术在光谱分析中的有效性。     

改进的FastICA-SVR结合荧光光谱技术测定1-萘酚、2-萘酚

水作为生命之源与人类的生存息息相关，近年来关于水环境污染的报道越来越多，不容忽视。实验以萘酚的两种同分异构体1-萘酚、2-萘酚的混合物作为研究对象，提出了一种新的算法，通过对混合物的三维荧光光谱进行分析来实现水中萘酚的定性定量分析。利用FS920稳态荧光光谱仪对配制的混合溶液进行扫描得到荧光光谱数据，并对数据进行一系列的预处理去除拉曼散射和瑞利散射的影响。将解决盲源分离(BSS)问题的独立成分分析(ICA)算法应用到荧光光谱定性定量分析问题当中，盲源分离技术就是将测量得到的混合信号作为处理对象进行分解，实现未知系统中源信号的求解，并得到混合矩阵。对混合物中单一物质的识别与测量与盲源分离问题类似。采用基于负熵最大的快速独立成分分析(FastICA)算法对实验数据进行分解，将所有样本的三维荧光光谱数据沿发射波长方向展开成为向量，得到一个大小为(N×M)的矩阵(N为样本数，M为波长数)，将该矩阵作为快速独立成分分析的输入进行独立分量提取，输出分别为单组分物质的展开荧光光谱和混合矩阵。FastICA算法的关键是利用牛顿迭代算法得到解混矩阵，但迭代过程中复杂的求导问题会使计算量增大、迭代速度减慢，针对该算法存在的问题，提出用差分法(又称为双点弦截法)代替求导的解决方法。为了验证算法的可行性，用改进后的算法和原有算法分别对荧光光谱数据进行了五次独立分量提取实验，原有算法平均运行时间为17.78 s，而改进后的算法平均运行时间为3.22 s，比原有算法提高了14.56 s，有效地减少了计算量，改善了FastICA算法的迭代速度并且使其收敛性更加稳定。通过实验结果可以看出改进后的算法得到的光谱更接近真实的光谱。利用快速独立成分分析算法分解得到的混合矩阵与物质浓度相关，这是物质定量分析的依据，但它们之间的关系可能是非线性的，采用能实现非线性拟合的支持向量回归机(SVR)进行回归预测，将混合矩阵和实际浓度矩阵分别作为SVR的输入和输出，利用遗传算法(GA)对支持向量回归机的参数进行优化选择，并选择径向基核函数(RBF函数)作为SVR的核函数，建立回归模型，实现对荧光光谱的定量分析。1-萘酚的拟合相关系数(r)为0.998 6，样品回收率(Recovery rate)为96.75%～104.2%，预测均方根误差(RMSEP)为0.119 μg·L-1；2-萘酚的拟合相关系数为0.998 8，样品回收率为96.8%～105.5%，预测均方根误差为0.1 μg·L-1，预测结果比较令人满意，符合预测要求。实验证明改进的基于负熵最大的FastICA-SVR算法能实现对混合物中1-萘酚、2-萘酚准确有效的识别和测量，并且改进之后加快了算法的分解速度。     

基于流形学习和空间信息的改进N-FINDR端元提取算法

光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF),像元内的多重散射和亚像元成分的异质性等因素,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取的端元精度不高。在光谱非线性混合的基础上,提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构,将原始高光谱数据非线性降维到低维空间。接着利用地物分布具有连续性的特点,通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构,并利用了空间信息,提高了端元提取的精度。模拟数据实验和真实高光谱遥感数据实验结果均表明,采用该算法得到的结果优于顶点成分分析(VCA) 算法、基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。     

基于光谱表示和独立成分分析的混合颜料成分分析方法

在混合颜料成分分析中,反射光谱法通过计算相似性来判断基本颜料种类,容易受多种基本颜料的影响,造成分析结果不准确。将光谱表示为信号,结合独立成分分析,提出一种基于光谱表示和独立成分分析的混合颜料成分分析方法。首先,采用光谱仪获取混合颜料光谱信息,并将其表示为离散信号的形式;然后,对信号进行独立成分分析,得到基本颜料的光谱信息;随后,通过计算基本颜料光谱与已知颜料光谱的相似性,确定基本颜料种类;最后,逆用Kubelka-Munk混色公式就可以得出基本颜料的比例。我们采用蒙赛尔色卡光谱制作模拟数据,分别进行正常/扰动情况下三种色卡光谱混合信息的成分分析试验,以及从8种色卡光谱中选择若干种混合后的成分分析实验。分离出的光谱形态与已知的原始颜料光谱形态极其相似,平均相似比为97.72%,最大相似比可以达到99.95%,得出的基本颜料比例与混合时的比例基本相同。实验结果表明本方法适用于混合颜料成分分析。     

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。     

基于核独立成分分析的人脸识别

研究一种基于核独立成分分析的人脸识别方法。利用支持向量机的核函数思想,将原始人脸图像向量映射到高维特征空间,然后在高维特征空间中进行独立成分分析(ICA),提取非线性独立成分作为特征向量进行分类识别。实验结果表明该方法要比常规的基于ICA和PCA的人脸识别算法的识别率要高。     

基于改进标准加入法的碳酸饮料中防腐剂和甜味剂高通量筛查分析

利用正交设计分别配制含有三种防腐剂、四种甜味剂的模拟水样,采用核独立成分分析（KICA）处理模拟水样与加入不同含量标准品的饮料样品的紫外光谱(UV)数据,得到其中待测添加剂或背景成分的UV轮廓的独立组分(IC)信息,以IC的系数矩阵进行支持向量回归（SVR）分析,建立模拟样品中防腐剂与甜味剂的UV-KICA-SVR预测模型。添加不同含量水平添加剂的碳酸饮料样品,采用KICA处理其测试得到的UV光谱数据,得到与添加剂对应的IC信息及量,加入量与预测量线性回归方程截距即为饮料中添加剂含量。利用化学计量学“盲源信号分离”方法提取饮料样品中的待测添加剂IC信息与样品基质信息,利用SVR对解析得到的IC信号回归分析建模,改进传统单一组分测定的标准加入法,建立了碳酸饮料样品中防腐剂和甜味剂高通量筛查分析的新方法。方法用于测定碳酸饮料中山梨酸钾,苯甲酸钠、对羟基苯甲酸甲酯钠三种防腐剂与糖精钠、安赛蜜,阿斯巴甜和甘草酸铵四种甜味剂含量,检测限(LOD)为0.2～1.0 mg·L-1,测定结果与传统的色谱方法相当。     

Integrating Independent Component Analysis with Artificial Neural Network to Analyze Overlapping Fluorescence Spectra of Organic Pollutants

Independent component analysis (ICA) combined with Elman recurrent neural network (ERNN) regression as a hybrid approach named ICA-ERNN was proposed for the simultaneous spectrofluorimetric determination of organic pollutants. Fluorescence spectra of these compounds under study are strongly overlapped, which does not permit direct determination without prior separation by conventional spectrofluorimetry. ICA is a blind source separation (BSS) method aiming at extracting independent source variables and their corresponding concentration profiles from the observed fluorescence spectra of chemical mixtures without using any prior knowledge about the components. The proposed method combining the idea of ICA denoising with ERNN calibration provides the ability for enhancing the extraction of characteristic information and the noise removal as well as the quality of regression. The relative standard errors of prediction (RSEP) obtained for all components using ICA-ERNN, ERNN and partial least squares (PLS) were compared. Experimental results demonstrated that the ICA-ERNN method had better result than ERNN and PLS methods and was successful even when there was severe overlap of fluorescence spectra.     

Free radical EPR spectroscopy analysis using blind source separation

In this paper, we propose a novel approach for electron paramagnetic resonance (EPR) mixture spectra analysis based on blind source separation (BSS) technique. EPR spectrum of a free radical is often superimposed by overlapping spectra of other species. It is important and challenging to accurately identify and quantify the 'pure' spectra from such mixtures. In this study, an automated BSS method implementing independent component analysis is used to extract the components from mixed EPR spectra that contain overlapping components of different paramagnetic centers. To apply this method, there is no requirement to know the component spectra or the number of components in advance. The method is applied to analyze free radical EPR spectra which are collected from standard chemical system, cultured cell suspense, and ex vivo rat kidneys by spin trapping EPR technique. Results show that the BSS method proposed here is capable of identifying the component EPR spectra from mixtures with unknown compositions. The BSS technique can offer powerful aids in resolving spectral overlapping problems in general EPR spectroscopy analysis.     

Zernike矩在橡胶添加剂太赫兹光谱定量分析中的应用研究

近年来,“绿色轮胎”发展备受关注。在绿色轮胎制造过程中需要多种橡胶添加剂,而橡胶添加剂的含量与绿色轮胎能否达标密切相关,因此,对轮胎橡胶中相关橡胶添加剂的定量检测具有重要意义。太赫兹时域光谱（THz-TDS）技术已经成功应用于物质定量分析领域,但当定量分析对象为多组分混合物时,由于混合物光谱出现重叠和失真等原因,会导致定量分析结果不理想。针对此问题,将Zernike矩作为一种光谱预处理技术引入到橡胶添加剂多组分混合物的太赫兹光谱定量分析中,提出了基于Zernike矩结合支持向量回归（Zernike moment-support vector regression, ZM-SVR）的太赫兹光谱定量分析方法。首先,以影响绿色轮胎质量能否达标的三种橡胶添加剂氧化锌、白炭黑和2-巯基苯并噻唑（MBT）为定量检测对象,将3种橡胶添加剂与丁腈橡胶构成多组分混合物实验样本,并通过太赫兹时域光谱系统测得样本的太赫兹光谱;然后,对太赫兹光谱进行分析与处理,得到其吸收系数、消光系数和折射率3种光学参数后,将3种光学参数构建为样本的太赫兹三维光谱,并利用Zernike矩提取太赫兹三维光谱灰度图的特征信息;最后,利用支持向量回归建立样本太赫兹三维光谱灰度图特征信息和目标成分含量之间的定量模型,从而对混合物样本中目标成分含量进行分析。利用该方法得到的定量模型预测集相关系数均大于等于0.952 2,均方根误差均小于等于2.267 2%。为进一步验证该方法的有效性,将定量分析结果与常规方法PLS和SVR的结果进行了对比。对比发现,相比常规方法得到的定量分析结果,Zernike矩结合支持向量回归方法所得结果的准确性和稳定性均得到了明显提升。因此,Zernike矩结合支持向量回归方法为橡胶添加剂多组分混合物的太赫兹光谱定量检测提供了新思路,在绿色轮胎及橡胶的质量检测领域具有广阔应用前景。     

基于主成分分析和多元曲线分辨的蓝细菌流式荧光光谱分析方法

利用流式细胞术对细胞进行多色荧光分析时,往往获得的是由多种组分荧光光谱混合的多元荧光光谱。在对蓝细菌进行光谱流式检测时,所测得的荧光光谱同时包含了多种未知荧光光谱,且存在严重的光谱混叠。为了获得蓝细菌中的主要组分光谱及其浓度,提出主成分分析和多元曲线分辨相结合的方法,对蓝细菌的流式荧光光谱进行处理。该方法通过主成分分析获得蓝细菌的主要纯组分数量,然后利用渐进因子分析寻找各组分的起始点和终止点,并估计纯组分的初始光谱,最后利用交替最小二乘结合其纯组分光谱的单峰性和非负性,对初始估计的纯组分光谱进行迭代修正,从而得到纯组分光谱及其组分浓度。仿真和实验结果表明,该方法能够准确地估计混合光谱中纯组分的个数并对其谱峰进行拟合,进而准确地估计各个组分的浓度。该方法不但适用于蓝细菌的光谱分析,还可用于其他多元混合光谱体系的解析。     

Latent variable analysis of Raman spectra for structural characterization of proteins

Latent variable analysis of deep UV resonance Raman spectra was demonstrated to be a powerful tool for characterizing protein secondary structural composition. Non-negative independent component analysis (ICA) and pure variable methods, such as stepwise maximum angle calculation (SMAC) and simple-to-use interactive self-modeling mixture analysis (SIMPLISMA), were employed for examination of 10 deep UV Raman (DUVRR) spectra of lysozyme obtained at various stages of its partial denaturation, the first stage of amyloid fibril formation. The non-negative ICA allowed for extracting the spectrum of the β-sheet from deep UV resonance Raman spectra of lysozyme while principle component analysis (PCA) and multivariate curve resolution (MCR) could not separate the β-sheet constituent as an individual component. No initial guess about the features of the β-sheet spectrum was used. Pure variable methods SMAC and SIMPLISMA were found to resolve three independent spectral components assigned to β-sheet, random coil, and native lysozyme.     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

Independent Component Analysis of Spectral Absorbance Image in Human Skin

The image of spectral absorbance in human skin is analyzed by independent component analysis. The spectral absorbance image is estimated from an image with red, green, and blue channels. The qualitative information and spatial distribution of the pigments can be extracted by the independent component analysis. It is shown that the extracted absorption characteristics of the pigments are corresponding to those of hemoglobin and melanin.     

高光谱图像信息检测玉米籽粒胚水分含量

通过波段比和阈值相结合的方法,分别提取了玉米籽粒全表面结构和胚结构区域的1 000～2 500 nm近红外高光谱信息,研究了玉米籽粒水分含量与胚结构区域光谱关系,同时采用竞争性自适应重加权变量选择算法(CARS)、遗传算法(GA) 、连续投影算法(SPA)筛选特征波段,建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果。结果显示,玉米籽粒水分含量与胚结构区域光谱关系显著,随着水分含量的增加,光谱反射值逐渐降低。预测模型结果表明,基于玉米籽粒胚结构区域光谱信息所建立的CARS-PLS,GA-PLS和SPA-PLS回归模型预测相关系数Rp分别为0.931 2,0.917 6和0.922 7,预测均方根误差(RMSEP)分别为0.315 3,0.336 9和0.336 6,所选取的特征波段数量分别为9,14和6,较基于全表面光谱信息所建模型的特征波段数量分别少了49,12和24个,且预测效果与采用全表面光谱信息无显著差别,SPA-PLS算法为基于玉米籽粒胚结构光谱信息的水分含量预测最高效模型。提取胚结构区域所用光谱波段为1 197,1 322和1 495 nm,建立SPA-PLS回归模型所用特征波段为1 322,1 342,1 367,1 949,2 070和2 496 nm。研究结果表明,采用近红外高光谱技术进行玉米籽粒水分含量无损检测时,提取玉米籽粒胚结构的图谱信息较全表面光谱信息更高效。