采用傅里叶变换红外光谱(FTIR)、二阶导数谱结合二维相关红外光谱(2D-IR)，对8 种豆样品(黄豆、黑豆、蚕豆、豌豆、白芸豆、红豆、绿豆和红小豆)进行鉴别分析。结果显示，8 种豆的原始光谱吸收峰非常相似，仅在吸收峰强度和峰位上有微小差异。对1700~800 cm

为解决偏最小二乘判别分析(PLSDA)建模时光谱区域中的噪声及冗余信息干扰问题，提出一种基于联合区间偏最小二乘判别分析(SiPLSDA)算法，并将该算法应用于猪肉近红外光谱的定性建模分析。SiPLSDA 利用联合区间偏最小二乘回归（SiPLS）进行光谱特征区域筛选，在筛选出来的光谱区域内建立数据的定性预测模型。采用Antaris II 快速傅里叶变换近红外光谱分析仪获取波数范围为10000~4000 cm-1的猪肉样本近红外光谱，采用标准正态变量变换(SNV)进行近红外光谱的预处理，用SiPLSDA 建立猪肉近红外光谱的定性模型。实验结果表明，SiPLSDA 建立的预测模型对猪肉储藏时间的识别率达到93.94%，高于基于全光谱区域建立的PLSDA 预测模型的识别率。

针对傅里叶变换光谱仪的红外探测器非线性,提出了一种适用于干涉图直流信号值缺失情况的非线性校正方法。针对需要实施校正的光谱计算基于带外虚假成分的相对校正因子,结合无需实施校正的光谱计算一致性校正因子。实验结果表明,实施本文所提非线性校正方法后,辐射定标曲线的线性拟合优度可以由校正前优于0.99提升至0.9999以上,且辐射标定后的各通道的辐亮度绝对偏差均不超过0.15 mW·m -2·cm·sr -1。相比已有的校正方法,所提方法避免了对干涉图直流信号的依赖性,但增加了对多个温度点黑体辐射定标数据的依赖性。一旦得到一致性校正因子后,在探测器稳定工作的前提下,可以实施对任一光谱图的非线性校正。

脑功能近红外光谱(fNIRS)的信号分析和模式识别方法，对其在认知科学领域的研究和应用尤为重要。简述了fNIRS的传统统计特征提取方法，进而提出了基于多元图表示原理进行特征提取的方法，并对传统方法与提出方法的模式识别实验进行了对比研究。实验结果表明基于多元图表示原理的fNIRS信号特征提取方法能应用于信号的分析和可视化，为fNIRS信号的数据分析提供了新的方法。

matlab频谱分析代码令人敬畏的光谱 :rainbow: 光谱学真棒软件的协作列表。 随意地 内容 查找光谱软件的其他方法： 探索标记有“ spectroscopy”的GitHub软件包。 与该列表部分重叠，但以略有不同的格式显示选项。 天体物理学与天文学光谱 生成或分析天体物理学/天文学光谱 ：基于CHIANTI原子数据库的python程序包，用于计算天体等离子体的辐射特性 ：用于行星外大气层的GPU加速辐射传输代码 ：包装的光谱模块，用于多种技术的天文数据 ：适用于各种天文仪器的python光谱工具包。 ：：用于天文学光谱分析的Python软件包 ：来自包装的关于太阳物理学的无线电频谱 ：该项目的光谱软件包 大气光谱 大气光谱，具有视线 （软件）：用于计算大气光谱的Python代码（HITRAN，Geisa） ：贝叶斯大气辐射传递拟合代码 （软件）：Fortran逐行代码 （软件）：中等分辨率大气TRANsmission的软件 ：LOWTRAN大气吸收的消光，散射和辐照度模型（在Python和Matlab中） （软件）：逐行计算大气通量和冷却速率 （软件）：C / Fortran函数和程序，用于

太赫兹时域光谱(THz-TDS)技术给人们提供了一种快速和准确地确定材料在太赫兹波段光学参数的工具。由于材料的厚度对其折射率的提取精度影响很大，而材料的厚度通常不能够准确地测量，为了避免测量厚度误差给确定光学参数结果带来的影响，发展能够同时确定样品的厚度和折射率的方法至关重要。由于材料内部的往返反射信号较弱，对Duvillaret等提出的方法在计算频段和迭代算法上进行了一些改进，使得计算结果更加准确，操作更加方便、快捷。并对两种典型材料聚乙烯和硅片的厚度和折射率进行了提取，以验证这种方法的有效性。

傅里叶变换光谱仪通过获取待测光的干涉信号来反演光谱信息,是重要的光谱测试与分析仪器。受光电探测电路不稳定、干涉模块装调不到位等因素的影响,傅里叶变换光谱仪获得的干涉光谱信号会出现漏采点、过饱和点、噪声点等无效数据点,导致反演的光谱信号出现失真。为此,研究了一种基于小波变换的干涉光谱信号检测方法,该方法能够快速有效地定位干涉信号中多种无效数据点的位置;在此基础上,研究了干涉光谱信号的校正方法,根据无效点所在区间段的信号特征,通过样条插值方法进行数据拟合,校正干涉光谱信号。通过仿真验证了本方法的可行性;搭建了近红外波段傅里叶变换光谱实验系统,并基于该系统进行验证性实验,对获得的干涉信号进行检测与校正,提高了反演光谱信号的准确性。

光谱吸收法是对甲烷浓度检测的一种有效手段,通过棱镜气室结合光子晶体光纤的应用实现光谱吸收法对甲烷浓度的高精度在线检测。但在检测过程中,由于环境中温度、压强以及系统本身设备的影响,使得接收的信号中包含大量的噪声。支持向量机(SVM)具有泛化能力强和寻求全局最优点的特点,被用于甲烷浓度检测的信号处理。Matlab实验结果表明,使用SVM原理滤波能有效地滤除噪声,把有效的信号分离出来,并用信噪比评估去噪效果。使用该方法滤波能够使信噪比达到130dB以上,与传统的小波降噪相比有很大的提高,能达到理想的去噪目的。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

闻辂主编 重庆大学出版社 1988年出版 可以作为矿物谱学的教材和参考书