为实现对红枣品种的判别,利用高光谱技术并结合机器学习算法对金丝大枣、骏枣和滩枣这三个品种的新疆红枣进行研究。首先,分别利用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导(1-Der)和Savitzky-Golay(SG)平滑等数据预处理方法对原始光谱进行预处理,研究了预处理方法对建模的影响;然后,利用光谱-理化值共生距离法(SPXY)将样本集划分为校正集和预测集,基于线性判别分析(LDA)、K-最近邻分类(KNN)和支持向量机(SVM)算法对预处理后的全波段光谱建立红枣品种鉴别模型,结果显示,在多种预处理方法中,1-Der的处理效果最好;然后,结合主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权采样(CARS)等特征提取方法对全波段光谱进行特征波段的提取,再基于特征波段建立红枣品种鉴别模型,结果发现,在几种特征提取方法中,基于CARS所提特征波段建立的模型可以获得最高的鉴别准确率;最后,以SVM模型为例对模型运行时间进行了比较,结果发现,基于特征波段所建模型的运行时间远短于基于全波段所建模型的运行时间。

关于数据集的注释： 使用一个简单的脚本将原始的.mat图像和基本事实转换为.txt文件。 数据目录包含这些.txt文件的示例（但不是全部）。 原始.mat文件可以从[Palis Vasco大学]（ ）获得。 使用注意事项： DBN_writeparams旨在替代DBN。 DBN仅由DBN_example使用。 DBN对象的参数应在DBN_writeparams和DBN_example中匹配（例如n_ins，hidden_​​layers_sizes，n_outs）。 去做： 在DBN_example中创建一个模块，用于加载训练后的权重和偏差。

基于光谱特征的高空间分辨率遥感影像阴影检测

提出了一种新的拉曼光谱谱峰判别算法，采用Voigt函数作为拟合函数，对小波变换脊线寻峰后得到的谱峰进行拟合处理，将拟合前后的谱峰相似度作为判别谱峰的依据，可有效识别与噪声幅值相近的小幅值拉曼信号。通过与已有的两种谱峰判别方法进行对比，在误判率为5%的情况下，该算法准确率提高了60%；在准确率高于90%的情况下，该算法误判率降低了10%。

注意： 此代码按原样提供，可能存在错误，有时可能无法正常工作，因此请谨慎使用。 如果遇到任何问题，请先阅读下面的说明，然后再阅读两个参考资料。 [parmin,resnom,res,exitflag]= fit2voigt(dat,par0) 此代码执行以下操作：如果您提供两列光谱数据（第一列是波数，第二列是吸光度）数据和初始峰参数 par0，它将为您提供优化的 voigt 线形参数 parmin，以及拟合和拟合质量信息. 它使用 Sanjar Abrarov 的 Voigt/复杂错误函数（文件 ID：#47801）。 您需要下载代码，并将其放在与这些文件相同的文件夹下。 包括分析雅可比。 还包括测试数据。 您可以通过运行 voigtfit_test m.file 进行测试 参考： RJ Wells，Voigt/Faddeeva 函数及其导数的快速逼近，JQSRT 62(1999)，2

矿物识别步骤 MNF变换 PPI计算 提取纯净像元 选取端元波谱 识别端元波谱 矿物分析 查看结果

高光谱遥感图像模糊c均值聚类算法的matlab实现

光谱数据预处理 超级全 都可以用 自己用的

matlab代码保密 高质量高光谱重建使用频谱先验 一般信息 代号：DeepCASSI（ACM SIGGRAPH Asia 2017） 作家：Inchang Choi（），Daniel S. Jeon（），Giljoo Nam（），Min H. Kim（） 研究所：KAIST视觉计算实验室 有关信息，请参见以下文章： 使用光谱先验进行高质量的高光谱重建，Inchang Choi，Daniel S. Jeon，Giljoo Nam，Diego Gutierrez，Min H. Kim访问我们的项目，获取高光谱图像数据集。 如果您使用本网站中的任何免费材料，请引用我们的论文： Bibtex：@Article {DeepCASSI：SIGA：2017， 作者= {Inchang Choi和Daniel S. Jeon和Giljoo Nam 以及迭戈·古铁雷斯（Diego Gutierrez）和闵·金（Min H. Kim）}， title = {高质量的高光谱重建使用频谱先验}， journal = {ACM Transactions on Graphics（Proc。SIGGRAPH As

细菌ID 此回购包含使用卷积神经网络（CNN）识别病原细菌的拉曼光谱的演示。 该存储库改编自论文“使用拉曼光谱和深度学习快速识别病原细菌”中用于产生结果的代码库。 最好的起点是Jupyter笔记本电脑，该笔记本电脑已记录并带有注释，并且应立即使用。 我们提供了已在参考数据集上进行过训练的预训练模型。 要求 此存储库中的代码已经过以下软件版本的测试： 的Python 3.7.0 PyTorch 0.4.1 Scikit-学习0.20.0 脾气暴躁的1.15.1 Jupyter 5.0.0 Seaborn 0.9.0 Matplotlib 3.0.0 我们建议使用Anaconda Python发行版，该发行版可用于Windows，MacOS和Linux。 已使用每个软件包提供者的标准说明对所有必需软件包（上面列出的）的安装进行了测试。 一旦安装了Anaconda，则将所有要