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。     

基于红外光谱对野生冬虫夏草不同部位的识别

冬虫夏草作为著名的传统中药材,由于其良好的药用价值而备受青睐。目前多数工作集中研究其活性成分含量以及药理药效。而对其不同部位的识别研究较为匮乏。基于红外光谱数据,结合化学计量学对多维度复杂体系的解析优势对冬虫夏草不同部位进行分类识别。首先对野生冬虫夏草五个不同部位包括子座头、子座中、头部、虫体中段、虫体尾段总共808个光谱数据使用标准正态变换(SNV)、多元散射矫正(MSC)进行数据预处理。而后用竞争自适应再权重取样(CARS)、变量组合种群分析(VCPA)挑选具有代表意义的特征变量。最后使用偏最小二乘判别分析(PLS-DA)、线性判别分析(LDA)进行建模预测分析。模型对训练集使用十倍交叉验证,以准确率(Acc)作为评价指标。结果表明,在该数据上PLS-DA模型在10倍交叉验证和独立测试集上的预测准确率分别是90.1%和92.0%,而使用LDA模型时,预测准确率分别降低到86.7%和85.8%。采用CARS和VCPA特征挑选方法可有效将特征从3 601维分别降到699和420维,同时保持预测准确率与全部特征的预测准确率相当。而挑选的特征波数630,625,1 024,1 028,1 084和1 089 cm-1与虫草的甘露醇相关,879和874 cm-1与虫草的多糖相关。通过对挑选的波数进行Wilcoxon rank-sum检验进一步表明虫草五个部位之间存在显著差异。研究表明化学计量学方法结合红外光谱能够有效识别冬虫夏草不同部位,有助于在分子层面上加深对冬虫夏草形成的认识,为针对虫草不同部位高效利用提供参考。     

基于非线性最小二乘法的多光谱拟合程序：应用于12CH4谱线参数分析

精确的甲烷分子实验光谱参数在大气科学和天文探测等领域有着广泛的应用,特别是谱线的展宽系数及其温度依赖系数对于甲烷分子浓度廓线的研究尤为重要。精密的实验测量是获得准确谱线参数的重要手段。采用实验测量获取谱线参数时,需要在已知实验条件（浓度,温度,总压力,吸收光程以及气体分子种类的混合比等）的情况下,多次扫描同一波段范围得到多组实验室吸收光谱,然后利用基于非线性最小二乘法的拟合程序处理这些光谱,反演获得所需要的光谱参数。然而,一般常用的单光谱拟合程序处理实验光谱既费时又容易引起拟合过程中的误差传递。针对此问题,采用最小二乘拟合技术和Levenberg-Marquardt迭代算法编写了一款适用于处理由可调谐半导体激光吸收光谱技术（TDLAS）所获得的吸收光谱的多光谱拟合程序。该程序可同时处理多张实验光谱,并基于全局拟合方法获得一套光谱参数。详细介绍了该程序的原理、使用方法及数据处理过程。利用多光谱拟合程序中的Voigt线型处理了2 958～2 959 cm-1波数内甲烷（12CH₄）分子6条跃迁谱线的实验光谱,获得了296.0,251.0,223.0,198.0和173.0 K共5组温度下12CH₄分子6条谱线的空气展宽系数。与之前文献报道的该波段内采用单光谱拟合程序得到的相应数据对比结果表明：获得的各温度下的空气展宽系数与参考文献中相应数据差值的百分比处在-4.97%~1.58%之间,两者数据整体符合较好,并且在30组对比数据中,有4组由单光谱拟合程序得到的空气展宽系数的误差值小于由多光谱拟合程序得到的相应数值,有2组数据显示由两种方法获得的误差值相等,其余24组由多光谱拟合程序获得的数据拟合误差小于由单光谱拟合程序获得的相应数值,表明多光谱拟合程序具有良好的可靠性,适用于气体分子吸收光谱的处理。     

水中目标回波亮点统计特征研究

礁石和海洋动物引起的混响是主动声纳最严重的干扰, 如何区分礁石、鱼群和水中目标一直是制约主动声纳识别技术的难点问题. 针对礁石与目标回波难以区分的问题, 从特征识别的应用角度, 研究水中复杂目标全方位回波亮点特征的有效表征和应用方式, 基于目标回波亮点模型, 提出拷贝相关器输出的目标散射函数估计方法, 给出对目标回波亮点相对关系进行定量分析的目标回波特征统计表征方式, 并基于湖上实验提取了物理机理明确的目标回波亮点统计特征, 使得目标时间-角度谱中所蕴含的目标特征信息能够很直接地转化为主动声纳易于应用的目标特征. 关键词： 水中目标 回波亮点 统计特征     

基于可调谐半导体激光吸收光谱技术的逃逸氨在线监测研究

可调谐半导体激光吸收光谱技术(TDLAS)具有高选择性、高准确性的优点,为逃逸氨的在线检测提供了可靠的技术手段。首先研究了温度对NH3浓度检测的影响,表明在25³00℃之间,浓度随温度的升高而降低;然后在室温为25℃时,利用TDLAS系统对浓度为10300℃之间,浓度随温度的升高而降低;然后在室温为25℃时,利用TDLAS系统对浓度为10¹00ppm的NH3进行检测,采集得到其二次谐波光谱。比较了单光程和多光程样品池测量结果,得到单光程样品池最低检出限为22.9ppm,多光程样品池的检测限为1.21ppm,多光程样品池能够明显地提高检测精度。结果表明,该系统能够适应现场测量环境。     

完全可压缩渗流驱动问题的特征线有限元方法及其误差分析

多孔介质中渗流驱动问题数值方法的研究，对合理经济地开发油田，了解地下油水运动规律有一定意义。特征线法结合差分或有限元法解渗流问题，在理论和应用上获得了成功３－５，但还有很多问题需进一步研究２．前人研究多是假定流体不可压或微可压，本文研究一类完全可压缩两相驱动问题。采用特征线法与有限元法相结合，构造并分析了全离散数值格式，基于周期性假设，证明了最优Ｌ２模误差估计。     

海博麦布结构确证

本文采用紫外吸收光谱、红外吸收光谱、质谱、核磁共振波谱(包含¹H NMR、¹³C NMR、DEPT、¹H-¹H COSY、¹H-¹H NOESY、¹H-¹³C HSQC和¹H-¹³C HMBC)以及单晶衍射等方法对海博麦布进行结构分析,对其所有的¹H NMR和¹³C NMR谱信号进行了归属,还通过差示扫描量热法、热重分析及粉末X-射线衍射分析对海博麦布晶型进行研究．     

平行平板光学参数的快速高精度测量方法

提出一种基于特征多项式的波长移相干涉测量方法。首先,将该方法与两步绝对测量法结合,对多表面干涉技术进行理论研究;然后,以特征图和特征多项式理论为基础设计出一种加权多步波长移相算法,用于对平板的表面面形、光学厚度变化以及光学均匀性信息进行提取计算,并通过移相算法的评价函数及其傅里叶表达式展示了算法对误差的抗扰度;最后,将该算法与OPL算法进行对比。结果表明,所提方法在不同厚度平行平板光学均匀性的测量上具有速度快、精度高的优势。     

增强小目标特征的多尺度光学遥感图像目标检测

针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。     

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明：各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数：0.85,提取误差：1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数：0.79,提取误差：9.34%)提取效果最好...