近年来基于铁矿近红外光谱数据建模的方法已成为铁矿成分分析的主要方法之一,由于各种因素的影响,数据中存在大量噪声,这对铁矿建模精度影响较大。文中采用平滑算法和傅里叶变换对磁、赤铁矿样本进行去噪处理,研究结果表明:傅里叶变换的去噪效果是两种方法中最好的;平滑算法中磁、赤铁矿分别采用9点线性加权、9点二次加权平滑方法的去噪效果最好。上述结果对磁、赤铁矿近红外光谱数据去噪方法的选择及后续研究具有指导意义。

matlab画光谱代码icdm频谱揭示Cholesky分解 这四个文件夹包含用于内核方法的“频谱揭示霍夫斯基分解”一文中用于数值实验的fortran或matlab代码。 肖建伟和顾明。 IEEE数据挖掘国际会议（ICDM），西班牙巴塞罗那，2016年。 文件夹“ AB_CCPP”包含用于数字实验A和B（CCPP矩阵）的fortran代码。 实现：输入make，然后输入./job_test_srch_A.sh和./job_test_srch_B.sh 用于绘制图片的MATLAB代码位于文件夹graphs_AB_CCPP中。 无需交换的SRCH已经获得了良好的低秩近似。 文件夹“ C_Kahan”包含用于数值实验C的fortran代码（Kahan矩阵）。 实现：输入make，然后输入./test_srch_C 它将打印出奇异值的近似比率。 第一列用于dpstrf，第二列用于不带交换的SRCH，第三列用于SRCH。 文件夹“ D_CSI”包含用于数值实验D（与CSI进行比较）的matlab代码。 实现：运行my_comparison_digit.m，您将得到图4和图5。要获得图6，将参数m修

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。

移动开发-基于NiosⅡ的傅里叶光谱仪信号采集处理系统的设计.pdf

matlab匹配滤波代码比较RX和SSRX算法 该存储库包含我该课程项目的一部分：“图像处理中的选定主题”， 该项目的目的是比较两种用于高光谱图像的异常检测算法-RX算法及其子空间投影变化，即SSRX算法。 虽然这两种算法在数学和逻辑上相似，但将它们应用于实际数据时所获得的不同结果值得研究。 为了进一步检查子空间投影的效果，还使用Chronochrome算法在变化检测任务中对其进行了测试。 回购用法 该项目主要基于实现这两种算法，运行多个实验并执行探索性数据分析。 这些组织在以下文件夹中： ：包含完整的项目报告和演示文稿（适用于那些懒得阅读并想要漂亮图片的人） ：包含主要的.mlx文件（以及那些无法访问MATLAB的文件的tex和pdf版本）和一些.m帮助程序脚本。 使用的数据集 可以在以下位置找到用于该项目的数据： MATLAB的高光谱工具箱（包含有用的运算符，转换和算法）： 免责声明 该项目对PCA公式进行了少许更改。 尽管这可能不会显着影响结果，但值得将来研究之用。 此项目中使用的PCA预测为： 正确的公式是： 建议阅读 Alan P. Schaum和Alan D. Stocke

基于android系统的脐橙品质近红外光谱无损检测技术.pdf

Android系统的微型近红外光谱仪开发及在食品质量检测中的应用.pdf

用神经网络确定权重的matlab代码Lightricks神经风格工作室 示例：样式转移 卡特里奥娜·格雷和《女人我》，威廉·德·库宁 珍妮尔·莫奈（Janelle Monae）和《星夜》（Vincent van Gogh） 吴彦祖与《雨中女孩的油画》 金桥的风格转移 罗德里戈·杜特尔（Rodrigo Duterte）+繁星之夜风格的权重增加 示例：在保留原始颜色的同时进行样式转移 珍妮尔·莫奈（Janelle Monae）和《星夜》（Vincent van Gogh）+保留原始色彩 要求 IMPORTANT NOTE ：在Google-Colab ，可以通过运行笔记本计算机的最上方单元来安装所有数据文件和依赖项！ 查看Usage ！ 资料档案 -将其放在models/目录中 torchvision.models包含VGG19模型骨架 依存关系 用法 您将在其中运行笔记本！ Colab是一种云服务，其界面类似于Jupyter Notebook。 它使您可以免费获得加速器，例如GPU！ 取消注释并运行第一个单元，以下载演示图片和VGG19权重。 它还将安装依赖项（即PyTorch和torc

打开hj高管普数据，并且安装方便，只需加载到envi上即可。

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植