1 江苏师范大学地理测绘与城乡规划学院, 江苏 徐州 221116
2 农业部农业遥感机理与定量遥感重点实验室, 北京农林科学院信息技术研究中心, 北京 100097
叶面积指数(LAI)是评价作物长势和作物产量的重要参数。 为有效利用高光谱信息, 优选出最佳波段进而构建新型双波段指数来提高LAI估测精度, 以冬小麦为研究对象, 获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据, 开展冬小麦LAI反演研究。 首先采用连续投影算法(SPA)、 最佳指数法(OIF)以及逐波段组合法(E)分别进行无人机高光谱数据最佳波段筛选, 进而将所选最佳波段构建新型双波段指数(VI_OIF, VI_SPA, VI_E); 然后将构建的新型双波段指数和常规双波段指数(VI_F)与LAI进行相关性对比分析, 最后结合支持向量回归(SVR)、 偏最小二乘回归(PLSR)和随机森林回归模型(RFR)进行LAI估算, 并对比分析常规双波段指数的估算精度, 验证最佳波段选择方法构建新型双波段指数的最佳回归模型反演LAI的可行性。 结果表明: (1)新构建双波段指数VI_OIF, VI_SPA, VI_E和VI_F与冬小麦LAI的相关性均达到0.05的显著水平, 其中VI_SPA和VI_E与LAI的相关系数高于0.65, 且RSI_SPA和RSI_E与LAI的相关性较高(r>0.71); (2)对比分析VI_OIF、 VI_SPA、 VI_E和VI_F构建的SVR模型、 PLSR模型和RFR模型的冬小麦LAI估测精度, VI_SPA_PLSR模型估测精度最高, R2和RMSE分别为0.75和0.90。 该方法可为无人机高光谱数据波段选择以及冬小麦LAI反演提供技术支持和理论参考。
无人机 高光谱影像 波段选择 冬小麦 叶面积指数 Unmanned aerial vehicle (UAV) Hyperspectral image Band selection Winter wheat Leaf area index 红外与激光工程
2021, 50(10): 20210118
1 吉林大学 通信工程学院, 吉林 长春 130022
2 长春建筑学院 电气信息学院, 吉林 长春 130022
传统超声回波时延估计算法是在高斯噪声背景下展开研究的, 而实际工况中超声回波不仅含有高斯噪声, 还含有脉冲冲击噪声(α稳定分布噪声)等, 这导致传统算法失效。为了解决上述问题, 本文提出了一种针对混合噪声特别是包含噪声背景下的超声回波时延估计算法: 归一化循环相关时延估计算法。首先, 对归一化循环相关算法理论进行了简要的介绍。接着, 对归一化循环相关时延估计算法进行了理论推导分析。然后, 结合仿真分析, 在相同α混合噪声情况下对传统循环相关和归一化循环相关时延估计进行比较。最后, 在不同信噪比下, 对归一化循环相关时延估计算法的估计性能进行了分析。通过对比实验发现, 在噪声特征指数趋于1时, 循环相关算法已不能估计出时延, 而归一化循环相关算法的误差仍能保持在0.4 μs; 且在-10dB信噪比下, 归一化循环相关算法时延估计也能保持在10 μs误差范围内。本文所提归一化循环相关算法在混合噪声特别是包含α噪声情况下能够对超声回波时延进行精确估计, 具有传统算法所不能比拟的优势。
超声回波 时延估计 归一化循环相关 α稳定分布噪声 ultrasonic echo time-delay estimation normalized cyclic cross-correlation α stable distribution noise
1 正德职业技术学院 电子与信息技术系, 南京211106
2 南京航空航天大学 电子信息工程学院, 南京 211100
为了证明微波光子倍频系统可以构成光载无线通信系统的一部分, 采用不受光纤色散影响的基于偏振调制器的倍频系数可调的微波光子系统, 理论论证和分析了基于偏振调制器的二倍频、四倍频和六倍频的系统原理和特性。针对于不同的倍频系数, 构建了相应的实验方案, 进行了实验验证、数据分析和实验结果讨论, 在不断进行实验系统优化的基础上实现了良好的倍频输出结果。结果表明, 倍频输出的微波/毫米波信号在仪器测量允许的范围内最大可达到42GHz, 且此系统具有受光纤色散影响小的优点。
光通信 光载无线传输 偏振调制器 相噪 微波倍频 optical communication radio over fiber transmission polarization modulator phase noise microwave frequency multiplication
1 徐州师范大学测绘学院, 江苏 徐州221116
2 中南大学地球科学与信息物理学院, 湖南 长沙410083
以高光谱遥感技术实现了小麦叶面积指数(leaf area index, LAI)的反演。 对18种高光谱指数进行了比较分析, 筛选出了可敏感反映小麦LAI的高光谱指数OSAVI, 并以地面光谱数据为样本建立了小麦LAI的反演模型。 分析表明, 指数OSAVI所建立的反演模型校正集与预测集R2分别达0.823与0.818, 在各指数中反演精度最高。 利用反演模型逐象元对OMIS影像进行解算, 实现小麦LAI的空间量化表达, 并将反演结果与地面实测值进行回归拟合, 发现两组数据的拟合模型R2达0.756, RMSE为0.500, 具有较高的相似度。 结果表明: 以高光谱指数进行小麦LAI的反演是可行的, 且OSAVI为优选指数。
高光谱 叶面积指数 反演 小麦 Hyperspectral Leaf area index Inversion Wheat 光谱学与光谱分析
2011, 31(6): 1658
中南大学信息物理工程学院, 湖南 长沙410083
提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。 采用ICA算法对高光谱遥感影像(PHI传感器获取, 80波段)进行了特征提取, 并以提取出的影像数据(光谱维数为20)构建SVM分类器。 对SVM算法进行核函数删选与参数寻优后, 发现采用RBF核的SVM算法(C=103, γ=0.05)分类结果最佳, 分类精度与Kappa系数分别达94.5127%与0.935 1, 优于BP-神经网络(分类精度39.4758%, Kappa系数0.315 5)、 波谱角分类(分类精度80.282 6, Kappa系数0.770 9)、 最小距离分类(分类精度85.462 7%, Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%, Kappa系数0.835 1)4种方法。 针对分类结果常出现的“椒盐”现象, 利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理, 将分类精度与Kappa系数分别提高至94.758 4%与0.938 0, 获得了更接近实况的分类图像。 结果表明： ICA结合SVM算法准确率高, 是高光谱遥感影像分类的优选方法, 且类别集群是优化影像分类的有效方法之一。
高光谱 分类 支撑向量机(SVM) 独立分量分析(ICA) 类别集群 Hyperspectral Classification Support vector machine (SVM) Independent component analysis (ICA) Clump classes 光谱学与光谱分析
2010, 30(10): 2724
天津工业大学信息与通信工程学院， 天津 300160
研究了低能电子束辐照（LEEBI）对大功率GaN基蓝光LED性能的影响。利用实验室提供的电子束模拟空间电子辐射，对蓝光LED进行LEEBI，并对比未辐照的LED，研究其电学性质和光学性质的变化。结果表明，在电子束辐照下，LED发光强度提高，正向电压变小，击穿电压变小。同时利用电子束辐照机理对实验结果进行了分析和讨论。
光学器件 发光二极管 低能电子束辐照 氮化镓 激光与光电子学进展
2010, 47(10): 102301
1 中南大学 信息物理工程学院, 湖南 长沙 410083
2 吉首大学 生物资源与环境科学学院, 湖南 吉首 416000
3 中南林业科技大学 林业遥感信息工程研究中心, 湖南 长沙 410004
4 吉首大学 生物资源与环境科学学院, 湖南 吉首 41600
利用可见/近红外光谱技术对市场上5种稻米进行了鉴别.以ASD FieldSpec .3地物光谱仪采集了5种稻米 的光谱数据, 各获取35个样本, 随机分成训练集(150份)和检验集(25份), 并分别采取全波段与特征波段(400～ 500nm、910～1400nm与1940～2300nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处 理后, 以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP人工神经网络(BP-ANN)的输入变量, 稻米品种作为输出变量, 建立3层BP-ANN鉴别模型.利用25个未知样对模型进行检验, 结果表明两类模型预测准 确率均高达100%, 其中特征波段模型比全波段模型具有更高的预测精度, 说明利用可见/近红外技术结合PCA-BP 神经网络分析法进行稻米品种与真伪的快速、无损鉴别是可行的, 且提取特征波段是优化模型的有效方法之一.
可见/近红外光谱 稻米 主成分分析 BP-人工神经网络 鉴别 visual/near infrared spectra rice principal component analysis(PCA) BP-artificial neural network discrimination
1 中南大学信息物理工程学院, 湖南 长沙410083
2 中南林业科技大学林业遥感信息工程研究中心, 湖南 长沙410004
3 吉首大学生物资源与环境科学学院, 湖南 吉首416000
提出了一种基于可见-近红外光谱技术快速、 无损鉴定杂交稻种纯度的新方法。 以FieldSpec3地物光谱仪采集纯度在90%～99%范围内的杂交稻种（宜香725）光谱数据90份, 随机分成校正集（75份）和检验集（15份）。 根据其在380～2 400 nm的反射光谱, 以偏最小二乘算法（PLS）建立了回归模型, 并比较了不同光谱预处理方法对模型的影响。 分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息, 此时PLS模型校正集决定系数与检验集决定系数分别为0.988 4与0.922 7, 校正标准误差（SEC）与预测标准误差（SEP）分别为0.002 5与0.006 6。 将经一阶导数结合标准归一化处理后的光谱进行PCA降维, 以前20个主成份（含原始光谱86.09%的特征信息）为输入变量, 建立杂交稻种纯度鉴定的BP-ANN模型。 分析表明BP-ANN模型校正集决定系数与检验集决定系数分别为0.995 2与0.936 9, SEC与SEP分别为0.001 7与0.006 1, 具有比PLS模型更高的精度。 结果表明以可见-近红外技术进行杂交稻种纯度的快速、 无损鉴定是可行的, 且PCA结合BP-ANN是一种优选方法。
可见-近红外光谱 杂交稻种 纯度 无损鉴定 偏最小二乘 BP-神经网络 Visible-near infrared reflectance spectra Hybrid rice seed Purity Noncontact measurement PLS BP-ANN 光谱学与光谱分析
2009, 29(11): 2962
1 中南大学信息物理工程学院， 湖南 长沙410083
2 吉首大学生物资源与环境科学学院， 湖南 吉首416000
3 甘肃兴隆山国家级自然保护区管理局， 甘肃 榆中730117
提出了一种利用粪便可见-近红外反射光谱进行高山麝慢性肠炎诊断的新方法。 以FieldSpec3地物光谱仪采集了125份高山麝粪便（正常粪样70份， 慢性肠炎患者粪样55份）的光谱数据， 将其随机分成训练集(95份)和检验集(30份)。 光谱经S.Golay平滑与一阶导数处理后以主成分分析法（PCA）降维。 以前6个主成分（含原始光谱95.16%的特征信息）作为新变量， 利用训练集样本， 分别以模糊模式识别、 BP-神经网络、 Fisher线性判别以及Bayes逐步判别四种方法建立高山麝慢性肠炎的诊断模型。 对检验集30个未知样的预测表明， Fisher线性判别的准确率为86.7%， 模糊模式识别与BP-神经网络模型判别的准确率为90%， Bayes逐步判别的准确率最高， 达93.3%。 进一步分析发现所有误诊都源于将正常样误判为病样， 四种方法对病样的检出率均达100%。 说明利用粪便的可见-近红外反射光谱进行高山麝慢性肠炎的快速、 非接触性诊断是可行的， 且PCA 结合Bayes逐步判别是一种优选方法。
可见-近红外反射光谱 粪便 慢性肠炎 高山麝 诊断 Visual-near infrared reflectance spectra Feces Chronic enteritis Alpine musk deer Diagnose 光谱学与光谱分析
2009, 29(7): 1772
