matlab 花代码超可扩展光谱聚类和集成聚类 概述 该存储库提供了两种大规模聚类算法的 Matlab 源代码，即Ultra-Scalable Spectral Clustering (U-SPEC)和Ultra-Scalable Ensemble Clustering (U-SENC) ，它们都具有近乎线性的时间和空间复杂度和能够在具有 64GB 内存的 PC 上稳健高效地对千万级非线性可分数据集进行分区。 如果您发现此存储库对您的研究有帮助，请引用下面的论文。 Dong Huang, Chang-Dong Wang, Jian-Sheng Wu, Jianhuang Lai, and Chee-Keong Kwoh. Ultra-Scalable Spectral Clustering and Ensemble Clustering, IEEE Transactions on Knowledge and Data Engineering (TKDE), 2020, vol.32, no.6, pp.1212-1226. DOI: https://doi.org/10.1109/TK

使用稀疏自编码器实现高光谱图像异常探测 其中包含： 1、训练部分 train_SAE_pytorch.py 2、探测部分 Anomaly_detection.py 3、用到的读取数据集的函数 datasets.py 4、圣地亚哥机场高光谱数据集 sandiego_plane.mat

核稀疏表示分类（KSRC）是稀疏表示分类的非线性扩展，显示了其在高光谱图像分类中的良好性能。 但是，KSRC仅考虑无序像素的光谱，而没有在空间相邻数据上合并信息。 本文提出了一种对空间光谱核稀疏表示的相邻滤波核，以增强对高光谱图像的分类。 这项工作的新颖性在于：1）提出了空间光谱KSRC框架； 2）通过核特征空间中的邻域滤波来测量空间相似度。 在几个高光谱图像上的实验证明了该方法的有效性，并且所提出的相邻滤波内核优于现有的空间光谱内核。 此外，所提出的空间光谱KSRC为将来的发展打开了广阔的领域，在其中可以轻松地合并滤波方法。

光源相对光谱能量分布测量是一份整理发布的食品资料文档，只为你能够轻松获取光源相对光谱能量...该文档为光源相对光谱能量分布测量，是一份很不错的参考资料，具有较高参考价值，感兴趣的可以下载看看

四、光栅方程的一般形式与谱线弯曲 在（ 式中所表示的光栅方程，仅是光线在光栅主截面 内入射和衍射的特殊情况。在实际的光谱仪器中，狭缝都是有一 定高度的。从缝上不同点发出的光束都是以不同的角度斜入射到 光栅面上，即这些光束是对主截面倾斜的。经光栅衍射后的衍射 光束显然也不在主截面上，并且其衍射角也不等于在主截面上的、 由狭缝中点发出的光束的衍射角，这就和棱镜一样会导致光谱线 的弯曲。 为求得斜入射情况下光栅的衍射，即光栅方程的一般形式，首 先在光栅上建立一个直角坐标系：把直角坐标系 置于光的原点 平面和光栅表面重合， 轴平栅面的中心； 行于光栅刻痕； 轴即为通过光栅中心的法线， 平面即为主截面。 如图 所示，使狭缝端点发出的斜射主光线 通过坐标 原点，另一条与 点，之平行的相邻光线入射到光栅上的 点的 坐标是 。从 点向 和它的衍射光线 分别作垂线，垂 足 。则和是 是这两条相邻入射光线的光程差， 是两条 相应的相邻衍射光线的光程差，总光程差为

光学频率梳具有优异的时域和频域特性,已成为一种重要的光谱探测光源。基于两个具有不同重复频率的光频梳,可以实现具有异步光学采样特点的双光梳光谱探测。除了线性光谱探测应用,双光梳技术在非线性光谱探测中同样具有独特的优势。介绍了双光梳非线性光谱的探测原理,重点综述了双光梳技术在多维相干光谱和相干反斯托克斯拉曼光谱探测中的应用。分析并总结了双光梳技术在各种非线性光谱中的优势及光谱方法的技术特点、研究现状和发展趋势。

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

基于罗丹明6G 的分子荧光原理，通过对比不同实验条件下得到的罗丹明6G 荧光光谱，得出pH 为1条件下的相对荧光强度最大。罗丹明6G 试剂中加入钼酸铵、磷酸二氢钾、硫酸试剂生成络合物后，罗丹明6G 的相对荧光强度值有所下降，在一定范围内表现出线性关系，罗丹明6G 荧光峰的位置没有发生变化。基于遗传算法-逆向误差传播(GA-BP)神经网络构建了输入节点数为36×18的矩阵、输出节点数为1×18的矩阵、以检测磷酸盐浓度为目的的非线性模型。网络训练中，误差精度为10-3，输出与期望的相关系数为0.998，网络预测中，平均回收率为99%，平均标准偏差值为1.79%，达到了理想的检测效果。证明此网络适用于检测0~2.00 mg/L 的磷酸盐溶液。提供了一种快速、有效检测磷酸盐浓度的方法，有助于环境检测技术的发展和应用。

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集

分类代码示例（C4.5、libsvm)，帮助理解高光谱遥感图像的分类。