Kymatio：Python中的小波散射 Kymatio是Python编程语言中的小波散射变换的实现，适用于信号处理和机器学习中的大规模数值实验。 散射变换是实现为卷积网络的平移不变信号表示形式，其滤波器不是学习的而是固定的（作为小波滤波器）。 如果需要以下库，请使用Kymatio： 支持一维，二维和三维小波， 将小波散射集成到深度学习架构中，并且 通过主要的深度学习API（例如PyTorch和TensorFlow）在CPU和GPU硬件上无缝运行。 Kymatio环境 灵活性 Kymatio组织将几个预先存在的小波散射软件包的开发人员联系在一起，包括ScatNet ， scatterin

反向散射耦合方式：

利用蒙特卡罗方法根据团簇团簇凝聚(CCA)模型对由球形原始粒子凝聚而成的烟尘团簇粒子进行了模拟,用离散偶极子近似(DDA)方法研究了烟尘团簇粒子随机取向时的激光散射特性,并与等效球形粒子的激光散射特性进行了比较。结果表明,等效球形粒子的激光散射特性与随机取向烟尘团簇粒子的激光散射特性存在着明显差别,不能用等效球形粒子来代替随机取向的团簇粒子;随机取向的烟尘团簇粒子的激光散射特性受基本粒子数量和粒径的影响比较大。该结果将为进一步研究随机取向团簇粒子的形成机理、形态特性以及激光在其中的传输特性提供了一种理论方法。

基于修正散射模型的水下图像复原，林森，白莹，由于光在水下的传输衰减特性，水下图像普遍存在对比度低、模糊和颜色失真等问题。目前的研究大多集中于背景光及介质透射率估计上

根据真实空间中散射体的位置计算结构因子。 一维和二维函数。 您在整数点阵上提供系统大小和散射体位置，函数返回结构因子和动量空间坐标以进行绘图。 还可以使用适当的轴标签创建二维或三维图。 看http://en.wikipedia.org/wiki/Structure_factor 更多背景。 长度大于 100 的系统的计算需要很长时间，因为循环不是矢量化的。 这是因为目的是教育性的，而不是用于实际实验的数据。

瑞利散射多特性的基于远距离OFDR的分布式振动光纤传感器

利用Aden和Kerker复合微粒子Mie散射理论计算C-H2O复合微粒子的散射强度分布函数，分析影响散射强度分布的因素，解释由其造成的大气温室效应，以及在光电对抗中的应用．

电磁波从天线向周围空间发射，会遇到不同的物体。到达这些物体的电磁能量一部分被吸收，另一部分以下同的强度散射到各个方向上去。反射能量的一部分最终返回到发射天线。 　　对射频识别系统来说，可以采用反向散射调制的系统，利用电磁波反射完成从电子标签到读写器的数据传输。这主要应用在915MHz、2.45GHz或者更高频率的系统中。 　　（1）读写器到电子标签的能量传输 　　在距离读写器R处的电子标签的功率密度为： 　　其中，PTx为读写器的发射功率，GTx为发射天线的增益，R是电子标签和读写器之间的距离，PEIR天线的有效辐射功率，即为读写器发射功率和天线增益的乘积。 　　在电子标签和发射

单位幅度的 TM 平面波（仅 Ez 分量）通常在真空/空气中入射到无限长（z 轴）的介电多层圆柱体上。 该文件生成圆柱散射的解析解。 生成的场被存储为给定测量半径的总场。 （一个半径位于圆柱体内，另一个半径位于圆柱体外。）

研究了单色光在损耗介质中激励的受激布里渊散射,运用分布起伏噪声源模型描述了受激布里渊散射的产生过程,通过傅里叶变换,得到了输出斯托克斯光波的功率谱密度。