用于从 RGB 图像重建光谱的分层回归网络 NTIRE 2020 团队 OrangeCat 光谱重建挑战的 README 文件：用于从 RGB 图像重建光谱的分层回归网络。 我们的方法在轨道 2 中获得了第一名：真实世界的图像。 论文可下载： : HRNet架构 主网络（不同层通过PixelShuffle和PixelUnShuffle连接）： 主网建议使用的 ResDB 和 ResGB： 文件结构 NTIRE 2020 Spectral Reconstruction Challenge │ README.md │ validation*.py │ test*.py │ ensemble*.py │ └───track1 (saving the trained models of track1) │ │ code1_G_epoch9000_bs8.pth │

可调谐半导体激光吸收光谱（TDLAS）技术结合层析成像（CT）算法能实现流场温度、浓度等信息的二维重建测量。为研究层析成像算法对温度场二维重建质量的影响，实现了两种典型重建算法：代数迭代重建算法（ART）和模拟退火（SA）算法。在不同的射线分布和吸收谱线数目情况下，使用两种算法对给定单峰温度场和双峰温度场分别进行重建仿真，比较分析了两种算法的重建结果。仿真结果表明，影响代数迭代重建算法重建质量的主要因素是射线分布，而模拟退火算法则对吸收谱线数较为敏感；对于单峰温度场，代数迭代重建算法重建结果的最大偏差为5.6%，略好于使用6条吸收谱线时模拟退火算法重建结果的6.2%；对于双峰温度场，模拟退火算法重建结果的最大偏差为5.5%，而代数迭代重建算法的最大偏差则高达22%。

Matlab数据处理文件，包括预处理和建模的文件，是运行过后能用的文件，和大家一起分享，希望能够对大家有用，谢谢大家

化学用软件，红外光谱处理，看谱图，免安装。

针对原油总氢物性回归预测中核磁共振光谱数据不足的问题,结合深度学习相关理论,提出一种光谱数据扩增预处理方法.根据样本输入和标签的相关系数,在原始样本中加入随机噪声以生成虚拟样本;处理样本数据结构以利于卷积神经网络特征提取,并加入数据冗余改进该结构以进一步提高数据特征提取的完整性;搭建实现原油总氢物性回归预测的卷积神经网络(Regression forecasting convolutional neural network,RF-CNN).实验结果表明,对于总氢物性的回归预测,该数据扩增预处理方法不但可以解决原始数据训练中的过拟合现象,而且相比于传统的偏最小二乘(PLS)回归方法,更具稳定性和精确性.

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

生态地球化学评价动植物样品分析方法 第3部分：总汞的测定 冷原子荧光光谱法.zip

光谱匹配Matlab代码MUSCARI（多任务谱聚类算法） 穆斯卡里（Muscari）是一种新的基于多任务图的聚类算法，通过使用物种与物种之间的系统发育关系，共同从物种特定的全基因组共表达网络中跨物种识别基因共表达模块（或子网络）。共表达矩阵的基于图的性质。 穆斯卡里（Muscari）基于Arboretum-HiC（）多任务图聚类算法，该算法将每个任务定义为一个光谱图聚类问题，每个物种一个，多任务学习框架同时搜索相互作用的基因组同时考虑了物种之间的系统发育关系。 与植物园HiC不同，穆斯卡里输入是基因表达矩阵，该矩阵转换为完全连接的加权基因共表达网络。 安装 1.所需环境 matlab（R2006a或更高版本）：仅对于生成特征向量矩阵是必需的 2.下载代码 code / ：穆斯卡里编码目录 run_muscari.sh ：穆斯卡里的包装程序运行脚本。 该脚本需要其他两个后续脚本： eigvecmat_calc.m：特征向量矩阵计算脚本 run_eigvecmat_calculation.m：用于运行eigvecmat_calc.m的包装器脚本 3.编写穆斯卡里代码 运行代码/ Make

此 App 绘制耦合图和模拟 (1H) NMR 谱。

全色锐化-PCA 使用 PCA 进行多光谱图像全色锐化 这是如何使用线性主成分分析执行全色锐化的示例。 将imshow应用于计算的图像矩阵所产生的图形包含在fig目录下。 有关分步说明，请参阅我的博客文章。 实现是在Matlab中。 随意使用和改进！