THz时域光谱装置与应用

太赫兹波是频率介于0.1~10 THz范围内的电磁波，处于电磁波谱中毫米波和红外线之间，如图1所示。目前电磁波谱的毫米波和红外等波段研究发展成熟，但是太赫兹波由于产生困难研究很少，一度处于空白波段。最近随着超快激光技术的迅猛发展，为太赫兹脉冲的产生提供可靠且稳定的激光光源，太赫兹波技术因此得以迅速发展。

深度光谱 深度学习光谱 通过深度学习分析频谱。 介绍 近年来，深度学习已在广泛的研究领域中引起越来越多的关注。 但是，据我们所知，在光谱学领域还没有深度学习的应用。 因此，我想举一个例子来说明如何使用深度学习对光谱数据进行定性和定量分析。 我们使用激光诱导击穿光谱法（LIBS）来说明整个过程。 光谱文件的组织方式为： 数据/ 1 /1 /2 /3 ... 数据/ 2 /1 /2 /3 ... 数据/ 3 /1 /2 /3 ... 数据/ 4 /1 /2 /3 ... 共有四类样本，分别与子文件夹1、2、3和4相对应。 用法 要求 软件 Tensorflow的要求（请参阅：Tensorflow） Python软件包：numpy，csv，matplotlib 仅在Ubuntu 16.04，带有TensorFlow 1.5.0的Python 2.

ENVI classic 使用手册，包含端元提取，高光谱影像处理的方法步骤，基本上手把手教，按步骤操作即可达到效果。适合学校作为遥感影像处理的指导教材。

matlab开发-HR4000光谱仪。M文件至HR4000频谱仪

最小角回归matlab代码标题 用于高光谱端元提取的改进 GSEE 算法 抽象的 在高光谱解混文献中，端元提取主要使用三种方法进行处理，即统计、稀疏回归和几何。 大多数端元提取算法仅基于其中一种方法开发。 最近，已经提出了结合几何和统计特征的 GSEE（Geo-Stat Endmember Extraction）。 在本文中，我们提出了一种考虑去除噪声带的改进型 GSEE (MGSEE) 算法。 在建议的工作中，最小噪声分数 (MNF) 用于选择高 SNR 频段。 MGSEE 框架的强度使用合成和真实的基准数据集进行审查。 在本文中，我们表明通过在噪声去除步骤之前从 GSEE 获得所提出的算法大大降低了光谱角度误差 (SAE) 和光谱信息发散 (SID) 误差，从而表明其在分离问题中提取纯材料的重要性。 将这篇论文引用为 D. Shah 和 T. Zaveri，“用于高光谱端元提取的改进 GSEE 算法”，2020 年 IEEE 第 5 届计算通信与自动化国际会议 (ICCCA)，印度大诺伊达，2020 年，第 449-453 页，doi：10.1109/ICCCA49541 .202

该代码包含两种算法，即：通用综合先验 (GSP) 和通用分析先验 (GAP)，用于减少高光谱图像中的脉冲噪声。 这些算法利用空间和光谱相关性。 GSP 算法使用 Daubechies 小波作为空间维度和傅立叶变换作为垂直维度。 GAP算法基于总变化最小化。 运行代码需要 SPARCO 工具箱（可从以下 网址免费获得： http : //www.cs.ubc.ca/labs/scl/sparco/ ）。

为了大家更好学习高光谱编程，讲一些常用的高光谱数据集上传，仅仅针对MATLAB用户，直接load就能使用。

为了大家更好学习高光谱编程，讲一些常用的高光谱数据集上传，仅仅针对MATLAB用户，直接load就能使用。

为了大家更好学习高光谱编程，讲一些常用的高光谱数据集上传，仅仅针对MATLAB用户，直接load就能使用。