可以使用参数模型（AR、MA 或 ARMA）获得自相关函数或功率谱的准确估计。 通过自动推理，不仅可以从给定的数据中确定模型参数，还可以确定模型结构。 假定存在 ARMASA 和自动光谱分析工具箱。

人工智能-机器学习-金属咔咯的量子化学计算和光谱研究.pdf

大数据-算法-长白山地区森林土壤含水量定量遥感研究——利用多角度偏振高光谱信息与MODIS影像数据.pdf

人工智能-机器学习-计算光谱成像技术研究.pdf

人工智能-机器学习-红外光谱结合计算机解析技术对青海枸杞的鉴别研究.pdf

人工智能-机器学习-过渡金属氧化物和氧气络合物的低温基质隔离红外光谱和理论计算研究.pdf

高光谱图像拥有成百甚至上千个波段，具有图谱合一的特点，与多光谱图像相 比，不仅分辨率更高，而且包含更加丰富的空间和地物信息，通过对比分析目标光 谱曲线，可以完成在其它成像模态下难以完成的目标检测任务

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见-近红外光谱特征波长的新方法(SA-LS-SVM)。该方法用LS-SVM作为识别器, 用识别率作为SA的目标函数, 提取合适的特征波长数以及对应的特征波长。3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA-LS-SVM, 主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理, 提取特征波长或主成分, 然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测。结果发现, SA-LS-SVM只需从751个数据光谱中提取4个特征波长, 就可以使三种品牌润滑油的识别率达到了100%, 而其他所有的方法发现预测率都达不到100%, 由此验证了SA-LS-SVM的优越性。实验结果表明, SA-LS-SVM不仅能有效地减少建模的变量数, 而且可以提高预测精度。

大数据-算法-高速高精度近红外光谱数据采集系统的研制.pdf

人工智能-机器学习-高光谱遥感资源探测算法设计与软件实现.pdf