导读:本文包含了光谱分解论文开题报告文献综述及选题提纲参考文献，主要关键词:非负矩阵分解,光谱解混,界约束优化,有效集
光谱分解论文文献综述
孙莉,于瑞林,吴杰芳[1]（2019）在《非负矩阵分解与光谱解混》一文中研究指出非负矩阵分解(NMF)用两个非负矩阵的乘积近似原始数据对应的非负矩阵,它为基于线性光谱混合模型的光谱解混提供了新途径。给出NMF在光谱解混中叁个矩阵的具体含义后,用五种求解NMF的有效算法,对Jasper Ridge的高光谱遥感图像进行解混。讨论了五种算法的迭代方式以及收敛性质。实验结果表明,五种算法能成功分离出4种端元光谱以及相应的丰度谱图,其中有效集型算法表现突出。(本文来源于《山东农业大学学报(自然科学版)》期刊2019年05期）
孔德明,张春祥,崔耀耀,李雨蒙,王书涛[2]（2019）在《叁维荧光光谱结合交替加权残差约束四线性分解算法对石油类混合油液的检测》一文中研究指出石油作为重要的能源和工业原料,在造福人类社会的同时,其引起的环境污染问题日益严重。因此针对混合油液的快速、准确检测成为鉴别溢油来源和保护生态环境的重要内容。石油类物质一般由具有较强荧光特性的芳香烃成分及其衍生物组成,荧光光谱分析技术以其灵敏度高、分析速度快和受风化影响程度小等优点成为了混合油液检测的重要手段之一,并与二阶校正和叁阶校正的各类算法相结合取得了较好的成分鉴别和浓度预测效果。但二阶校正算法普遍存在对噪声的容忍能力弱和对组分数敏感、收敛速度慢等不足,限制了在实际混合油液检测中的应用。针对上述存在的问题,将叁维荧光光谱技术和交替加权残差约束四线性分解(AWRCQLD)算法相结合,提出一种用于混合油液检测的新方法。首先以乙醇作为溶剂,将航空煤油和润滑油按不同浓度比配制7个校正样本、 4个预测样本和3个空白样本;然后利用FLS920荧光光谱仪采集拟进行成分检测的混合油液在不同实验温度条件下共42个样本的荧光光谱数据,并通过空白扣除的方法消除散射的干扰;再利用核一致诊断法和残差分析法估计出最佳的组分数;最后分别利用AWRCQLD算法、 4阶平行因子(4-PARAFAC)算法和二阶校正算法解析样本的荧光光谱数据,做出混合油液样本的定性鉴别和定量预测。研究结果表明,经AWRCQLD算法解析后得到的航空煤油预测样本的回收率为96.7%～102.7%、预测均方根误差为0.015 mg·mL~(-1);润滑油预测样本的回收率为96.9%～101.7%、预测均方根误差为0.009 mg·mL~(-1);在不同实验温度条件构建的四维响应数阵能够更为准确地测定出航空煤油和润滑油的组分浓度,其回收率更高和预测均方根误差更小,满足准确定量分析的要求; AWRCQLD算法在航空煤油和润滑油样本的荧光光谱严重重迭的情况下,较之二阶校正算法和4-PARAFAC算法, AWRCQLD算法更能够体现出叁阶校正算法所具有的优势,综合预测能力更强,达到了对混合油液进行快速检测的目的。该研究提供了一种不依赖于"物理和化学分离"的快速、准确的对混合油液进行检测的"数学分离"方法,为石油类混合油液检测提供了必要的技术支持。(本文来源于《光谱学与光谱分析》期刊2019年10期）
刘浩田,孙敏轩,孙强强,张平,孙丹峰[3]（2019）在《基于双年份叁季相光谱混合分解的耕地变化遥感检测方法初步研究——以甘肃省民勤县为例》一文中研究指出为切实保护耕地,基于遥感技术对不同耕地演化类型,包括不变耕地、新增耕地、撂荒耕地和退耕耕地进行识别和检测,以民勤县为例,采用2010和2015年2个年份的春、夏、初冬地物景观叁季相特点的Landsat TM/OLI数据作为主要数据源。依据不同耕地演化类型的季相变异规律和内部要素特征选取具有物理意义的端元丰度值、丰度值差值建立2年份混合决策树划分不同耕地演化类型。同时对比分析在2010和2015年各自决策树土地利用/覆被分类结果后比较提取的耕地演化类型。结果表明:民勤县大部分耕地未发生变化,新增耕地在各个区域均有一定量的分布且主要分布在下游;退耕耕地大面积分布在坝区;撂荒耕地主要分布在沙漠绿洲过渡带。研究表明通过能够与地物先验知识关联的端元丰度值、特征端元丰度的差值建立决策树可以有效实现不同耕地演化类型的检测。误差矩阵精度评价结果显示,基于混合决策树耕地演化类型提取结果在总体精度上要高于分类后变化检测的结果。(本文来源于《中国农业大学学报》期刊2019年09期）
刘娜,黄郑霞,石朗杰,饶丰[4]（2019）在《白色LED中芯片和荧光粉发光光谱的分解》一文中研究指出提出一种直接从白色LED光谱中分解出Ga N芯片和荧光粉光谱分布的方法。首先采用光谱仪实测恒流恒温时蓝色LED光谱分布,然后研究选择拟合GaN芯片光谱模型所需数据的条件,再根据所选择的蓝色光谱数据,拟合出芯片的光谱分布,最后通过数学运算得到荧光粉光谱分布。结果表明:采用步长1nm,测量精度为3%的光谱仪,测得相对光谱0.4以上的光谱数据拟合芯片光谱,与实测数据相比,拟合方均根误差约0.03。该方法能够较准确地分解出色温5 000 K以上白色LED中芯片和荧光粉的光谱分布。(本文来源于《2019年中国照明论坛——半导体照明创新应用暨智慧照明发展论坛论文集》期刊2019-09-05）
[5]（2019）在《非负张量分解模型驱动的深度学习高光谱盲解混》一文中研究指出(项目批准号:61865012)高分辨率对地观测系统重大专项是《国家中长期科学与技术发展规划纲要(2006-2020年)》确定的十六个重大科技专项之一。高光谱遥感可同时获取由物质成分决定的地物光谱信息和反映地物存在格局的空间信息,是当前高分辨率对地观测的研究热点之一。受到传感器空间分辨率限制以及自然界地物复杂多样性的影响,高光谱遥感影像存在大量的混合像元。高光谱解混技术可以准确地提取出典(本文来源于《南昌工程学院学报》期刊2019年03期）
赵肖宇,贺燕,佟亮,蔡立晶,尚廷义[6]（2019）在《基于EMD分解的拉曼光谱小波去噪方法》一文中研究指出拉曼光谱中尖峰及其临近信号频率极高,常规去噪方法难以区分高频噪声与特征峰信号,所以拉曼光谱去噪一直是该领域内研究热点和难点。针对该问题,提出临界分量判别法,该方法通过计算经验模态分解(empirical mode decomposition,简称EMD)分量的归一化自相关函数,将固有模态分量(intrinsic mode function,简称IMF)划分为噪声主导分量和信号主导分量两部分。根据噪声主导分量和信号主导分量的不同特点,分别使用模极大值方法、软阈值滤波方法处理各分量的小波系数,实现光谱信号去噪。仿真数据去噪实验表明,小波去噪法(1、2阶IMF为噪声主导分量)去噪效果优于其他方法(1阶IMF为噪声主导分量,1、2、3阶IMF为噪声主导分量),说明临界分量判别法可以正确识别噪声主导分量和信号主导分量。光谱数据去噪实验表明,应用小波去噪法处理拉曼光谱,信噪比以及均方误差均优于对整条光谱进行模极大值、软阈值和空域相关方法去噪,光谱中噪声几乎得到了完全抑制,突变特征峰信号得到完整保留,获得了最优滤波效果。(本文来源于《黑龙江八一农垦大学学报》期刊2019年03期）
任智伟,吴玲达[7]（2019）在《基于本征图像分解的高光谱图像空谱联合分类》一文中研究指出高光谱图像分类是许多应用的第一步,也是极其重要的一步。针对目前分类方法存在误分现象,尤其是在地物边缘附近区域,以及现有空谱联合分类方法计算复杂度高的问题,提出一种基于本征图像分解以及导向滤波的高光谱图像空谱联合分类方法:利用AP聚类进行波段选择,提高计算效率;利用基于局部稀疏约束的本征图像分解方法进行高光谱本征图像分解,获取反射率本征图;利用导向滤波器对初始分类结果进行优化。实验结果表明:文章提出的空谱联合分类方法在分类精度与计算时间方面优势明显。(本文来源于《航天返回与遥感》期刊2019年03期）
赵岩[8]（2019）在《高光谱图像线性模型混合像元分解的算法研究》一文中研究指出高光谱成像光谱仪从紫外到短波红外的连续电磁光谱中捕获几十至几百个波段的叁维图像信息。高光谱图像包括长、宽两个平面维度和一个光谱维度。可以利用高光谱图像包含的丰富光谱信息进行探测地面目标和识别地物,因此高光谱图像在民用和军用领域被广泛运用。高光谱图像能够在较窄的波段上成像,因此具有较高的光谱分辨率。然而,由于受到空间分辨率较低和地物分布复杂的影响,高光谱图像含有大量的混合像元。在现有空间分辨率的条件下,大量地存在混合像元,这对图像分类和目标探测的结果造成了影响,同时也限制了高光谱的定量化发展。因此,如何有效地进行混合像元分解是高光谱图像应用的重要技术问题。混合像元分解的过程为求解包含的地物种类(端元)以及地物种类的占比(丰度)。目前,线性模型混合像元分解算法得到广泛应用。本文以提高端元提取和丰度估计精度为目标展开研究。本论文的主要工作如下。1.针对形态学算子的输出统计偏差较大,影响端元提取精度的问题,提出了一种基于广义形态学的高光谱图像端元提取算法。该算法引入参考像元,并把正则化的修正能量函数当作距离测度,通过计算含有两个结构单元的广义开-闭算子,提取端元。实验结果显示,该算法能自动提取端元,提取精度较高。2.针对高光谱图像序列端元提取算法存在较大的端元误差马尔可夫性,影响端元提取精度的问题,提出了一种基于Gram-Schmidt正交化的3端元成组提取算法。通过反复搜索特征空间中最大面积叁角形进行成组端元提取,以降低端元误差的马尔可夫性,提高端元提取的精度。实验验证了算法的性能。3.为了解决大多数丰度估计算法需要进行行列式运算和矩阵求逆运算,导致算法计算复杂度较高的问题,提出了一种基于正交基的丰度估计算法。通过计算待分解向量在特征向量上的投影与正交基的比值获得丰度估计,该算法只涉及向量内积运算,计算量较小。实验验证了算法的有效性。4.经典非负矩阵分解的目标函数是非凸的,它影响着最优解的获取,为了解决这一问题,提出了一种基于端元约束非负矩阵分解的解混算法。根据端元之间独立的特性,添加端元光谱相关性和端元光谱差别两个约束,利用投影梯度算法进行迭代运算,同时获得端元和丰度估计。实验结果显示,该算法解混性能较好。(本文来源于《哈尔滨理工大学》期刊2019-06-01）
吴蒙蒙[9]（2019）在《基于分块-张量分解和快速Polar傅里叶变换的高光谱人脸识别》一文中研究指出人脸作为一种生物特征信息已经广泛的应用到个人身份验证、视频监控、人机交互等方面,和其他生物特征信息如虹膜、指纹等相比,人脸具有非接触性、远距离就可实现目的的特征。但是受非限制性条件的影响(比如姿态、表情、灯光、遮挡),人脸识别过程仍然存在一些挑战。高光谱采集系统的发展给非限制性条件下的人脸识别带来了新的机遇,高光谱图像在获得空间图像信息之外也额外获得了光谱信息,并且首次实现了光谱信息与图像的真正结合。人脸识别邻域快速的发展,肤色分割、人脸特征提取、分类器等重要技术,直接关乎整个人脸识别系统的效果,受到了研究者的重视。本文充分挖掘了小样本下高光谱人脸的光谱信息,并将其与空间信息进行融合,最终提高了识别准确率。主要工作包括两个方面:肤色分割和特征提取。论文提出了一种基于K-means聚类和最小生成森林的分类算法的高光谱人脸图像肤色分割的新型集成方法,该算法从不同角度充分利用了光谱和空间特征。具体过程:Kmeans算法利用单波段图像上的空间信息完成聚类,利用上下文领域信息重定义单波段聚类结果,并将不同波段的聚类结果对比生成带有标签信息的邻域像素块。然后,采用最小生成森林算法根据光谱信息的相似性对未带标签的像素块分类。最后,闭合人脸非皮肤区域可以用于进一步的局部特征分析。与逐个像素做分割任务的方法相比,本文利用邻域信息对基聚类结果重新定义,因为图像相邻区域的同质性相对较高,像素值的突变仅发生在面部器官的边缘,不仅该方法对分割影响相对较小,而且还能减轻计算复杂度来获得更准确的皮肤边界。论文在结合人脸的光谱信息和空间信息的基础上设计了两种特征提取算法,即基于分块的低秩张量分解的局部特征提取方法和基于快速Polar傅里叶变换的全局特征提取方法。传统的图像处理技术将图像视为向量或矩阵,并不能充分利用光谱信息,造成图像信息的损失。而张量是处理和分析高维数据的有力工具,它是对向量、矩阵数据的一个扩展。稀疏性和正交性约束条件施加于张量分解过程,把由人脸图像相同局部区域组成的四维张量信息分解为一个稀疏系数张量和叁个字典矩阵,提取脸部的细节信息,并对非限制性条件的人脸识别有较好的鲁棒性。本文提取的全局特征是人脸的轮廓,就人脸图像来说,局部区域的细节信息的灰度值变化缓慢,相反全局的轮廓信息的灰度值变化剧烈。而傅里叶变换的频域信息表征图像中灰度变换剧烈的程度,所以本文选择傅里叶变换的低频信息表示人脸的全局轮廓特征。本文采用快速Polar傅里叶变换提取融合后的高光谱人脸图像的整体信息(即脸部轮廓信息),快速Polar傅里叶变换能快速组织理解旋转和缩放的图像,降低受外界因素的影响风险。融合后的二维高光谱图像与传统的灰度或彩色的图像相比,增加了除空间信息之外的光谱信息。最后,将局部特征分类器和全局特征分类器融合,以得到更鲁棒和准确的分类结果。(本文来源于《山东师范大学》期刊2019-05-30）
王丽,王威[10]（2019）在《基于冗余字典的高光谱图像稀疏分解研究》一文中研究指出高光谱图像的稀疏分解能得到其稀疏表示形式,便于对图像进行压缩处理。因高光谱图像特征复杂,单一正交基无法捕捉到图像信号的所有特征,需构建原子个数更多的冗余字典对高光谱图像进行稀疏表示。针对高光谱图像,以高斯原子为基础,构造叁种冗余字典,利用正交匹配追踪算法找到最优原子,完成高光谱图像的稀疏分解,利用重构图像的峰值信噪比、结构相似性和计算效率对冗余字典的稀疏表示能力进行评价。实验结果表明,构造的叁种冗余字典均能对高光谱图像进行稀疏表示,重构图像的峰值信噪比均能达到40 dB以上,结构相似性达到0.99以上,且高斯字典的计算效率最高。(本文来源于《电子设计工程》期刊2019年10期）
光谱分解论文开题报告
（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：
石油作为重要的能源和工业原料,在造福人类社会的同时,其引起的环境污染问题日益严重。因此针对混合油液的快速、准确检测成为鉴别溢油来源和保护生态环境的重要内容。石油类物质一般由具有较强荧光特性的芳香烃成分及其衍生物组成,荧光光谱分析技术以其灵敏度高、分析速度快和受风化影响程度小等优点成为了混合油液检测的重要手段之一,并与二阶校正和叁阶校正的各类算法相结合取得了较好的成分鉴别和浓度预测效果。但二阶校正算法普遍存在对噪声的容忍能力弱和对组分数敏感、收敛速度慢等不足,限制了在实际混合油液检测中的应用。针对上述存在的问题,将叁维荧光光谱技术和交替加权残差约束四线性分解(AWRCQLD)算法相结合,提出一种用于混合油液检测的新方法。首先以乙醇作为溶剂,将航空煤油和润滑油按不同浓度比配制7个校正样本、 4个预测样本和3个空白样本;然后利用FLS920荧光光谱仪采集拟进行成分检测的混合油液在不同实验温度条件下共42个样本的荧光光谱数据,并通过空白扣除的方法消除散射的干扰;再利用核一致诊断法和残差分析法估计出最佳的组分数;最后分别利用AWRCQLD算法、 4阶平行因子(4-PARAFAC)算法和二阶校正算法解析样本的荧光光谱数据,做出混合油液样本的定性鉴别和定量预测。研究结果表明,经AWRCQLD算法解析后得到的航空煤油预测样本的回收率为96.7%～102.7%、预测均方根误差为0.015 mg·mL~(-1);润滑油预测样本的回收率为96.9%～101.7%、预测均方根误差为0.009 mg·mL~(-1);在不同实验温度条件构建的四维响应数阵能够更为准确地测定出航空煤油和润滑油的组分浓度,其回收率更高和预测均方根误差更小,满足准确定量分析的要求; AWRCQLD算法在航空煤油和润滑油样本的荧光光谱严重重迭的情况下,较之二阶校正算法和4-PARAFAC算法, AWRCQLD算法更能够体现出叁阶校正算法所具有的优势,综合预测能力更强,达到了对混合油液进行快速检测的目的。该研究提供了一种不依赖于"物理和化学分离"的快速、准确的对混合油液进行检测的"数学分离"方法,为石油类混合油液检测提供了必要的技术支持。
（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。
光谱分解论文参考文献
[1].孙莉,于瑞林,吴杰芳.非负矩阵分解与光谱解混[J].山东农业大学学报(自然科学版).2019
[2].孔德明,张春祥,崔耀耀,李雨蒙,王书涛.叁维荧光光谱结合交替加权残差约束四线性分解算法对石油类混合油液的检测[J].光谱学与光谱分析.2019
[3].刘浩田,孙敏轩,孙强强,张平,孙丹峰.基于双年份叁季相光谱混合分解的耕地变化遥感检测方法初步研究——以甘肃省民勤县为例[J].中国农业大学学报.2019
[4].刘娜,黄郑霞,石朗杰,饶丰.白色LED中芯片和荧光粉发光光谱的分解[C].2019年中国照明论坛——半导体照明创新应用暨智慧照明发展论坛论文集.2019
[5]..非负张量分解模型驱动的深度学习高光谱盲解混[J].南昌工程学院学报.2019
[6].赵肖宇,贺燕,佟亮,蔡立晶,尚廷义.基于EMD分解的拉曼光谱小波去噪方法[J].黑龙江八一农垦大学学报.2019
[7].任智伟,吴玲达.基于本征图像分解的高光谱图像空谱联合分类[J].航天返回与遥感.2019
[8].赵岩.高光谱图像线性模型混合像元分解的算法研究[D].哈尔滨理工大学.2019
[9].吴蒙蒙.基于分块-张量分解和快速Polar傅里叶变换的高光谱人脸识别[D].山东师范大学.2019
[10].王丽,王威.基于冗余字典的高光谱图像稀疏分解研究[J].电子设计工程.2019