导读:本文包含了特征波段论文开题报告文献综述及选题提纲参考文献，主要关键词:矿井突水,激光诱导荧光,间隔偏最小二乘法,特征波段
特征波段论文文献综述
周孟然,卞凯,胡锋,来文豪,闫鹏程[1]（2019）在《基于iPLS的矿井突水激光诱导荧光光谱特征波段筛选》一文中研究指出矿井突水一直威胁着煤矿井下施工人员的生命安全,准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源,有效避免了常规的水化学法需要测定多种化学参数,水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法, iPLS算法常应用于光谱波段优选和模型的回归分析, PSO-SVC则在机器学习领域有着重要的应用,激光诱导荧光技术具有快速的时间响应、测量精度高等特点, iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析,进而可以对突水水源类型识别分类。首先,用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验,对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率,采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次,用iPLS算法将全光谱波段依次按10～25波段区间进行等分,选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段,结合光谱图对比分析了划分10和14个子区间的建模结果,发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后,在不进行去噪、降维等预处理条件下,根据iPLS划分不同区间数的评价指标统计数据,选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入,以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比,训练集与测试集的分类准确率高达100%, PSO寻优到的最佳惩罚系数c为1.367 0,核函数参数g为0.576 2。从实验结果可以看出,利用iPLS进行荧光光谱的特征波段筛选是切实可行的,提取出的特征波段能充分反映出全光谱波段的有效信息,为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。(本文来源于《光谱学与光谱分析》期刊2019年07期）
张婷婷,向莹莹,杨丽明,王建华,孙群[2]（2019）在《高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究》一文中研究指出种子活力是种子质量的一项重要指标,高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高,随后随着贮藏时间的延长而发生着自然不可逆的降低。因此,在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点,研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子(发芽128粒,不发芽62粒)作为研究样本,先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验,并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数(FD)、均值中心化(MC)、正交信号校正(OSC)和多元散射校正(MSC)对原始光谱数据进行预处理,结合偏最小二乘辨别分析(PLS-DA)建立全波段PLS-DA模型,比较分析,并筛选出最适预处理方法。分别利用无信息变量消除算法(UVE)、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取,再分别基于所提取出的特征波段建立PLS-DA定性判别模型,对比分析,最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明:不同光谱预处理建立的模型其表现有所差异,在MC, FD, OSC和MSC中,采用MC对原始高光谱数据进行预处理,建立的全波段MC-PLS-DA判别模型,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%,优于原始及其他预处理后建立的全波段PLS-DA判别模型,其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中,发现3种变量筛选方法耦合(UVE-CARS-SPA)的方式能够将光谱全波段的688个变量压缩至8个变量(473, 492, 811, 829, 875, 880, 947和969 nm),利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%,较全波段模型(MC-Full-PLS-DA)分别提升了4.2%和2.1%,活种子的鉴别正确率分别为93.8%和84.4%,经过此优秀模型筛选后,种子批最终发芽率可达到93.1%。实验结果表明,基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。(本文来源于《光谱学与光谱分析》期刊2019年05期）
马瑞峻,张亚丽,陈瑜,张亚莉,邱志[3]（2019）在《基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究》一文中研究指出为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5～75 mg·L~(-1)的室内、室外实验光谱的特征波长为388, 1 080, 1 276 nm和356, 1 322, 1 693 nm,浓度区间为0.1～100 mg·L~(-1)的室内外实验样品光谱的特征波长为367, 1 070, 1 276, 1 708 nm和383, 1 081, 1 250, 1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5～75 mg·L~(-1)的室内外实验光谱PLS特征波长模型的校正集决定系数R■分别提高至0.987 5和0.999 2,预测集决定系数R■分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1～100 mg·L~(-1)的室内外实验光谱特征波长PLS模型的校正集决定系数R■分别提高至0.998 3和0.998 8,预测集决定系数R■分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1～100 mg·L~(-1)的实验, RPD值显着增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现, ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351～393, 1 065～1 086, 1 245～1 281和1 658～1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5～75 mg·L~(-1)的室内外实验光谱PLS特征波段模型的R■分别为0.993 7和0.987 8,R■分别为0.979 8和0.998 2, RMSEC分别为1.690和2.516, RMSEP分别为1.987和0.659;浓度区间为0.1～100 mg·L~(-1)的室内外实验光谱特征波段PLS模型的R■分别为0.9882和0.9807,R■分别为0.9391和0.9936, RMSEC分别为3.345和3.942, RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。(本文来源于《光谱学与光谱分析》期刊2019年03期）
唐鸣,田潇瑜,王旭,徐杨[4]（2018）在《基于近红外特征波段的注水肉识别模型研究》一文中研究指出以注水肉为对象进行无损检测技术的应用,需要着重于正常肉和注水肉之间的区分,可采用基于光谱分析技术和模式识别的方法。以牛肉为对象,对注水肉的模式识别模型进行了研究。在900~2 200 nm波段内,以凸显差异性为目的,分别对正常肉和注水肉样本的光谱数据进行特征值提取,以具有差异性的特征值建模。首先使用小波变换观察奇异值的方法分别提取到两种肉类的多个特征波段,并以特定原则构成多个特征波段组合项,再与光谱的聚类分析结果相结合,为两种肉类共同确定可用于模式识别算法的光谱特征值,即主要以聚类结果中的1 818~1 842 nm、1 194~1 278 nm两个波段形成了4种组合,最终构成4个条件下、不同数量的目标矩阵。基于支持向量机算法为每一个目标矩阵建立模式识别的模型,以留一法对目标矩阵进行训练集和验证集的分配并进行交叉验证,以交叉验证结果中两种肉类识别正确率之和的最大值作为当前目标矩阵的总体最优识别率,结果显示,所有矩阵中,总体识别率最大值为90. 48%,具体数据为:两个波段都不被包含时,目标矩阵的总体识别率最高为88. 10%;完全包含两个波段时最高识别率为90. 48%;只考虑单一因素时的总体识别率分别为86. 90%和89. 29%。可采用曼-惠特尼秩和检验的方法对这些总体识别率数据进行差异显着性分析。结果表明,1 818~1 842 nm波段较为显着地体现了正常肉与注水肉近红外光谱吸收特点的不同。另外,识别结果的数据还显示,若对正常肉和注水肉分别考察,正常肉的识别率整体相对较高。(本文来源于《农业机械学报》期刊2018年S1期）
付萍杰,杨可明[5]（2018）在《土壤铜污染光谱特征波段分析、界限浓度划分及含量预测》一文中研究指出土壤重金属污染高光谱预测的大部分研究集中在重金属浓度的预测上,但是预测模型精度不高,或精度较高而均方根误差较大。利用土壤Cu污染在538~834 nm波段区间的光谱数据检测土壤Cu污染的界限浓度及光谱特征波段区间,并根据界限浓度建立土壤Cu浓度的预测模型。先对土壤Cu污染光谱数据进行一阶导数处理,利用一阶导数距离检测土壤Cu污染的界限浓度及光谱特征波段;再利用经验模态分解(Empirical Mode Decomposition,EMD)和多重分形理论预测土壤Cu污染浓度,旨在为土壤重金属污染的高光谱研究提供依据,精确土壤重金属污染光谱的研究范围,为利用界限浓度建立土壤重金属浓度预测模型提供新思路。结果表明,538~834 nm波段区间土壤Cu污染的界限浓度为120~160μg?g~(-1),根据一阶导数距离最大值和多重分形谱参量将土壤Cu污染划分为60~120μg?g~(-1)和160~740μg?g~(-1)两个浓度区间,其预测土壤Cu污染的特征波段分别为730~760 nm和540~590 nm;根据划分的界限浓度,利用土壤Cu污染光谱多重分形谱参量、538~834 nm波段区间反射率最大值、一阶导数最大值、及实测土壤含水率、实测土壤有机质含量等参数,分别建立20~120μg?g~(-1)和160~740μg?g~(-1)两个浓度区间土壤Cu含量MLR预测模型,R2在0.99以上,RMSE最大为47.3。因此,多重分形谱参量Δα值和一阶导数距离最大值可作为土壤Cu污染界限浓度划分和光谱特征波段提取的依据,其界限浓度为120~160μg?g~(-1),光谱特征波段区间为730~760 nm和540~590 nm;该文构建的MLR模型可有效预测土壤Cu浓度。(本文来源于《生态环境学报》期刊2018年07期）
黄达,黄树彩,赵炜,陆屹[6]（2018）在《天基光谱探测特征波段的选择（英文）》一文中研究指出为解决天基特征光谱最佳探测波段的选择问题,以11种导弹尾焰在2.5~5μm处的光谱作为研究对象,综合考虑导弹距地面高度、大气传输、云层辐射、大气辐射等因素,设计出一种从多目标角度考虑的波段选择算法,以目标相对具有强辐射为原则,根据距地面高到低、波段从多到少的顺序进行选择,可通过设定阈值来控制所选波段个数,文中所选波段的中心波长分别为2.99、3.06、3.12、4.6、4.62μm。根据光谱图像拟合规则拟合出包含目标的特征光谱图像,从信噪比的角度对特征光谱图像和全波长图像进行分析,结果表明,当目标达到一定高度后,特征光谱图像的信噪比远大于全波长图像。(本文来源于《红外与激光工程》期刊2018年S1期）
曹鹏飞,彭昌宁[7]（2018）在《图像亮度信息法选取多光谱莲花白叶片特征波段》一文中研究指出利用液晶可调谐滤波器(LCTF)和CMOS相机组合的多光谱成像系统,在波长400~720nm内以5nm为间隔对莲花白叶片进行多光谱成像。首先根据图像亮度信息法的原理,计算得到各波段莲花白叶片的可识别度;然后对莲花白叶片的可识别度进行大小排序,综合图像的信息特征和可识别度,得出555nm、715nm、710nm、575nm、535nm、520nm、720nm、605nm和650nm 9个波段有较好的识别度;最后根据欧氏距离法和光谱角度匹配法分别对莲花白叶片的特征波段的分类精度予以统计,得到两种方法的分类精度分别为95.56%和93.13%。实验证明,选取的9个波段对莲花白叶片具有较好的分类精度,可作为莲花白叶片的特征波段。(本文来源于《光学仪器》期刊2018年03期）
朱跃晨,熊黑钢,朱忠鹏,张芳[8]（2018）在《基于离子光谱特征波段反射率的土壤碱化指标反演模型》一文中研究指出以新疆奇台地区碱化土壤为研究对象,通过分析碱化土壤实测光谱反射率曲线与八大离子、pH、碱化指标相互间的相关关系,建立基于离子光谱特征波段反射率的各碱化指标一元及多元光谱反演模型,并对其精度进行验证。结果显示:Na~+、CO_3~(2-)、HCO_3~-含量与光谱反射率正相关,最高点的相关系数分别为0.710、0.798、0.749,而Ca~(2+)、Mg~(2+)含量与光谱反射率负相关,相关系数最高均不超过-0.370,反映出前3类离子含量与光谱反射率关系更为密切。SAR(钠吸附比)和ESP(碱化度)与Na+相关系数同为0.954,TA(总碱度)、RSC(残余碳酸钠)、pH与CO_3~(2-)的相关系数分别为0.946、0.949和0.953,总体上Na~+和CO_3~(2-)含量对各碱化指标的影响更大。各碱化指标与土壤光谱反射率的相关性TA>RSC>ESP>pH>SAR;其中TA与光谱反射率的相关系数达到0.863。碱化指标TA的离子光谱特征波段反射率反演模型精度最好,其R~2为0.703,比利用实测光谱反射率建立的pH反演模型的R~2高约14%,说明前者精度更高,能更好地反映研究区内土壤的碱化程度。利用离子光谱特征波段反射率实现对土壤碱化的预测会成为今后研究的重点。(本文来源于《中国沙漠》期刊2018年02期）
曾帅,况润元,陈彦兵[9]（2017）在《鄱阳湖5种典型植被高光谱特征波段选择与光谱分类识别》一文中研究指出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5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征波段选择方法,并利用马式距离-光谱角法对不同植被种类进行识别。结果表明:所提方法有效提取了植被间的光谱特征波段,分别为1111~1132nm、1466~1522nm和1577~1750nm,叁个波段全部位于红外区域;在光谱特征波段范围内,利用马氏距离-光谱角法可对不同植被类型进行有效识别,其中南荻的光谱分类精度最高,灰化薹草的光谱分类精度最低,为84%,总体分类精度为91%,分类效果较好。(本文来源于《激光与光电子学进展》期刊2017年12期）
曾帅[10]（2017）在《鄱阳湖湿地典型植被高光谱特征分析与特征波段选择研究》一文中研究指出由于光谱分辨率和波段数目的限制,传统的多光谱数据难以获取典型植被的局部精细信息,对植被的反射光谱信息反映不够,不足以分析典型植被的反射光谱差异性,在植被分类识别上存在一定的难度。与之不同的是,高光谱数据具有光谱分辨率高、波段数目多、波段宽度窄等特点,在分析湿地植被的反射光谱差异性方面有较大的潜力。针对不同湿地植被光谱相似度高、难以分类的特点,本文利用光谱仪测取了鄱阳湖湿地六种典型植被(狗牙根、南荻、水蓼、灰化苔草、藜蒿和芦苇)的高光谱数据,在对数据进行预处理的基础上,对高光谱数据进行倒数的对数变换、导数变换(包括一阶、二阶导数)和包络线变换,并对比分析了不同植被的反射光谱差异性。其次,本文提出了一种基于数据误差范围和光谱均值差的植被光谱特征波段选择方法,并将该方法与现存的马氏距离法、光谱标准差法应用于各种数学变换的光谱曲线分析并筛选出光谱特征波段。经T检验法检验特征波段的敏感度后,利用Bayes法和Fisher法对六种典型湿地植被进行了判别分类,并对精度结果进行了评价,最后在Landsat 8影像上检验了不同植被的区分度。高光谱数据对植被光谱特征信息具有良好的表征能力,六种植被具有相似的光谱特征曲线。通过相关的数学变换,统计各种光谱特征参数可有效突显出不同植被间的光谱差异,有利于各植被类型的识别,其中通过包络线变换后,六种植被光谱在400-529、558-567、653-670、1173-1184和1209-1239nm这四个波段上差异最为明显。与现存的光谱特征波段提取方法相比,本文提出的光谱特征波段选择法效果更佳,其中原始光谱的特征波段为422-452、530-592nm,倒数的对数光谱的特征波段为422-452、522-597nm,包络线光谱的特征波段为400-529、558-567、653-670、1173-1184和1209-1239nm。基于光谱特征波段,利用Bayes和Fisher判别分析法可有效对不同植被光谱进行判别分类,且经过变换后光谱的判别分类精度要高于原始光谱,部分植被经过包络线变换后的精度可提高13%。利用Landsat 8影像可有效对部分植被进行区分,但由于混合像元因素影响,部分植被之间未能有效区分。研究成果为湿地遥感信息解译、湿地植被制图奠定了理论基础,为湖泊湿地植被以及湖泊生态环境的保护决策提供科学依据,同时在方法上也为内陆淡水湖泊湿地典型植被光谱识别分类提供借鉴意义。(本文来源于《江西理工大学》期刊2017-05-01）
特征波段论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
种子活力是种子质量的一项重要指标,高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高,随后随着贮藏时间的延长而发生着自然不可逆的降低。因此,在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点,研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子(发芽128粒,不发芽62粒)作为研究样本,先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验,并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数(FD)、均值中心化(MC)、正交信号校正(OSC)和多元散射校正(MSC)对原始光谱数据进行预处理,结合偏最小二乘辨别分析(PLS-DA)建立全波段PLS-DA模型,比较分析,并筛选出最适预处理方法。分别利用无信息变量消除算法(UVE)、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取,再分别基于所提取出的特征波段建立PLS-DA定性判别模型,对比分析,最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明:不同光谱预处理建立的模型其表现有所差异,在MC, FD, OSC和MSC中,采用MC对原始高光谱数据进行预处理,建立的全波段MC-PLS-DA判别模型,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%,优于原始及其他预处理后建立的全波段PLS-DA判别模型,其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中,发现3种变量筛选方法耦合(UVE-CARS-SPA)的方式能够将光谱全波段的688个变量压缩至8个变量(473, 492, 811, 829, 875, 880, 947和969 nm),利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%,较全波段模型(MC-Full-PLS-DA)分别提升了4.2%和2.1%,活种子的鉴别正确率分别为93.8%和84.4%,经过此优秀模型筛选后,种子批最终发芽率可达到93.1%。实验结果表明,基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
特征波段论文参考文献
[1].周孟然,卞凯,胡锋,来文豪,闫鹏程.基于iPLS的矿井突水激光诱导荧光光谱特征波段筛选[J].光谱学与光谱分析.2019
[2].张婷婷,向莹莹,杨丽明,王建华,孙群.高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究[J].光谱学与光谱分析.2019
[3].马瑞峻,张亚丽,陈瑜,张亚莉,邱志.基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究[J].光谱学与光谱分析.2019
[4].唐鸣,田潇瑜,王旭,徐杨.基于近红外特征波段的注水肉识别模型研究[J].农业机械学报.2018
[5].付萍杰,杨可明.土壤铜污染光谱特征波段分析、界限浓度划分及含量预测[J].生态环境学报.2018
[6].黄达,黄树彩,赵炜,陆屹.天基光谱探测特征波段的选择（英文）[J].红外与激光工程.2018
[7].曹鹏飞,彭昌宁.图像亮度信息法选取多光谱莲花白叶片特征波段[J].光学仪器.2018
[8].朱跃晨,熊黑钢,朱忠鹏,张芳.基于离子光谱特征波段反射率的土壤碱化指标反演模型[J].中国沙漠.2018
[9].曾帅,况润元,陈彦兵.鄱阳湖5种典型植被高光谱特征波段选择与光谱分类识别[J].激光与光电子学进展.2017
[10].曾帅.鄱阳湖湿地典型植被高光谱特征分析与特征波段选择研究[D].江西理工大学.2017