为了达到快速识别和检测油类污染物的目的,以激光诱导荧光技术为基础搭建了荧光光谱检测系统,得到0 #柴油、95 #汽油和普通煤油3种不同油种的荧光光谱,然后从荧光光谱信息中提取特征参量,将标准差、中心距和荧光峰的峰度系数作为敏感特征参量进行聚类分析,最后采用拟合曲线法求得待测样品的质量浓度。实验结果表明,LIF技术结合特征参量提取法和拟合曲线法可用于不同油类污染物的定性和定量检测,为快速识别和检测油类污染物提供了一种新思路。

需要读入已经包络线消除的文本文件

摘要光谱特征波段的选取是植被高光谱分类识别的重要基础之一利用鄱阳湖种典型植被的实测高光谱数据在对数据进行预处理和分析的基础上提出了一种基于均值极差阈值法的光谱特

摘要针对藻类荧光光谱解析中常见的信息冗余和光谱相关性问题，基于偏最小二乘（ＰＬＳ）的方法，提出了区间蒙特卡罗偏最小二乘（）方法，有效地解决了特征波长的选取问题。

光谱特征波段的筛选，选择光谱数据中具有代表性的变量用以建立定量预测模型

可以实现光谱特征波段的提取，减少建模时间。

光谱特征波段选择—无信息变量消除uve.rar

程序用于自动生成NIR-Red二维光谱特征空间散点图，并通过人机交互获得土壤、植被等端元信息。 输入：Red、NIR波段遥感图像（tif格式）；土壤线截距与斜率 输出：NIR-Red二维光谱特征空间散点图 交互：在散点图上点击端元获得对应Red、NIR波段信息 利用NIR/Red图像自动提取土壤线及解算端元信息的V2.0程序即将发布，敬请期待。

GA提取特征，数据为高光谱数据，感兴趣区域数据，最后一列为标签

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见-近红外光谱特征波长的新方法(SA-LS-SVM)。该方法用LS-SVM作为识别器, 用识别率作为SA的目标函数, 提取合适的特征波长数以及对应的特征波长。3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA-LS-SVM, 主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理, 提取特征波长或主成分, 然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测。结果发现, SA-LS-SVM只需从751个数据光谱中提取4个特征波长, 就可以使三种品牌润滑油的识别率达到了100%, 而其他所有的方法发现预测率都达不到100%, 由此验证了SA-LS-SVM的优越性。实验结果表明, SA-LS-SVM不仅能有效地减少建模的变量数, 而且可以提高预测精度。