本文研究中药材的鉴别，基于不同中药材的光谱特征对中药材的种类和产地进行鉴别。中药材的产地对药材的道地性有很大的影响，仅从红外光谱图的表观图谱特征无法对不同的药材进行鉴别，必须借助于数学分析手段。结合系统聚类分析、相关性分析建立数学模型。

高光谱图像分离matlab代码Endmember-Guided Unmixing Network (EGU-Net)：一种用于自监督高光谱解混的通用深度学习框架 , , , , , , 此工具箱中的代码实现了 . 更具体地说，详述如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 洪丹峰、高连如、姚静、横谷直人、乔斯林·查努索特、乌塔·海登、张冰。 Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing, IEEE Transactions on Neural Networks and Learning Systems, 2021, DOI: 10.1109/TNNLS.2021.3082289. @article{hong2021endmember, title = {Endmember-Guided Unmixing Network (EGU-Net): A General Deep L

高光谱图像分离matlab代码深度生成端元建模：无监督光谱解混的应用 这个包包含作者对论文 [1] 的实现。 为了解决光谱分离中的端元可变性，端元光谱使用深度生成模型 (VAE) 建模，该模型从观察到的高光谱图像中学习。 这使我们能够使用生成模型的低维潜在空间中的点对可变端元进行参数化，然后可以与丰度同时优化以解决分离问题。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) example4.m - 比较算法的演示脚本 (DC4) example_real1.m - 比较算法的演示脚本（休斯顿） example_real2.m - 比较算法的演示脚本 (Samson) example_real3.m - 比较算法的演示脚本（Jasper Ridge） ./DeepGUn/ - 包含与 DeepGUn 算法相关的 MATLAB 文件 ./python/ - 包含与 DeepGUn 算法相关的 Python 文件 ./other_

在Bagging支持向量机（SVM）的基础上，将动态分类器集选择技术用于SVM的集成学习，研究了SVM动态集成在高光谱遥感图像分类中的应用。结合高光谱数据特性，通过随机选取特征子空间和反馈学习改进了Bagging SVM方法；通过引进加性复合距离改善了K近邻局部空间的计算方法；通过将错分的训练样本添加到验证集增强了验证集样本的代表性。实验结果表明，与单个优化的SVM和其他常见的SVM集成方法相比，改进后的SVM动态集成分类精度最高，能有效地提高高光谱遥感图像的分类精度。

本贡献中包含的脚本计算再分析数据的谱经验正交函数 (SEOF) 分解。 这些示例包括参考文献 [1] 中讨论的天气和气候模式，即马登-朱利安涛动 (MJO)、准双年涛动 (QBO) 和厄尔尼诺-南方涛动 (ENSO)。 这些模式是从必须单独下载的 ERA-Interim 和 ERA-20C 数据中推导出来的。 相应的 Python 脚本位于“data/EI”（ERA-Interim）和“data/E20C”（ERA 20C）文件夹中。 请参阅https://confluence.ecmwf.int/display/WEBAPI/Access+ECMWF+Public+Datasets了解如何在 ECMWF 上设置帐户并下载其公共数据集的详细信息。 执行 SEOF 分解的核心例程 spod()（在经验正交函数分析被称为适当正交分解的领域中的 SPOD）位于“utils”文件夹中。 最新版本以

利用中红外光谱检测技术对甲醇汽油中的甲醇含量进行检测研究。由于中红外光谱易受外界环境干扰且数据量较大,为减小运算量并提高模型精度,采用无信息变量消除( UVE)法、竞争性自适应重加权取样(CARS)法以及遗传算法(GA算法)等来选择有效光谱波段,再建立对应的偏最小二乘(PLS)模型,最后分别建立PLS、UVE-PLS、GA-PLS和CARS-PLS模型,探索最优的甲醇含量检测模型。结果表明:CARS-PLS模型效果最好,预测相关系数和预测均方根误差分别为0.978和1.177。CARS算法是一种有效提取甲醇含量的中红外光谱检测方法,采用中红外光谱检测技术测定甲醇汽油中的甲醇含量是可行的,可以有效简化运算模型,提高模型检测精度。

本专题的目的是向用户展示如何使用ENVI先进的高光谱工具对多光谱数据进行分析。要更好地理解高光谱处理的概念及其工具，请参见ENVI高光谱辅导指南。

Pavia University高光谱数据和地面验证数据，MATLAB版本

卷积神经网络代码Matlab 人工神经网络 使用空间光谱深度残差卷积神经网络（HSID-CNN）的用于高光谱图像降噪的Matlab演示代码，IEEE TGRS，2019。 By Qiang Zhang (whuqzhang@gmail.com) Wuhan University, China. 如果您在工作中使用/适应我们的代码（作为独立工具或任何算法的组成部分），请引用我们的论文。 Q. Yuan，Q. Zhang，J。Li，H。Shen和L. Zhang ，“使用空间光谱深度残差卷积神经网络进行高光谱图像降噪”， IEEE地理科学与遥感学报，第1卷。 57号2，第1205-1218页，2019年。 @ARTICLE{yuan2019, author={Q. {Yuan} and Q. {Zhang} and J. {Li} and H. {Shen} and L. {Zhang}}, journal={IEEE Trans. Geosci. Remote Sens.}, title={Hyperspectral Image Denoising Employing a Spatial

内含近红外光谱数据，可进行归回和判别分析，数据采集规范有效，代码可顺利一键运行。欢迎下载，共同谈论交流