山东科技大学测绘与空间信息学院，山东 青岛 266590
云的存在影响卫星数据的使用，因此准确高效的云检测在遥感图像目标识别和参数定量反演中具有重要作用。针对亮地表、薄碎云及云边界等难以识别、不同尺度特征的云检测精度不稳定等问题，对短期时序数据进行线性回归计算，将前后时序数据的表观反射率斜率变化趋势作为输入特征。为充分挖掘不同尺度的信息，采用具有密集跳跃结构和深监督结构的UNet++模型进行云检测研究。与单时相数据集的U-Net、SegNet和UNet++相比，所提方法可以更有效地突出多尺度特征，增加对亮地表、云边缘和薄云信息的敏感度。结果表明，所提方法在云检测方面得到较高的精度，总体精度达98.21%，误检率降低至1.07%，漏检率降低至3.12%。所提方法能有效降低裸地、道路、建筑物、冰雪等亮地表对云识别的干扰，提升了对薄云的识别精度，且适用于不同下垫面的遥感影像。
云检测；深度学习；时序数据；线性回归分析；语义分割 激光与光电子学进展
2024, 61(4): 0428013
1 吉林农业大学资源与环境学院, 吉林 长春 130118 吉林省商品粮基地土壤资源可持续利用重点实验室, 吉林 长春 130118秸秆综合利用与黑土地保护教育部重点实验室, 吉林 长春 130118
2 松辽水利委员会松辽流域水土保持监测中心站, 吉林 长春 130021
3 中国农业大学资源与环境学院, 北京 100083
土壤有机质(SOM)作为土壤的重要组成部分, 其含量高低能够反映土壤的肥力和质量状况。 相较于传统SOM的测定方法, 利用无人机高光谱影像可快速、 精准获取田块尺度的SOM含量。 为探究基于高光谱数据建立的线性和非线性模型对作物覆盖下土壤有机质估算精度的差异, 以东北黑土区的玉米试验田为研究区, 分别采集了拔节期和吐丝期的土壤样本及同时期无人机高光谱影像作为数据源, 分析作物覆盖条件下土壤光谱反射率与有机质含量的相关关系, 并根据其响应波段构建光谱指数。 以施肥量和光谱指数作为自变量, 通过特征变量的筛选分别建立多元逐步线性回归模型（SMLR）、 支持向量机（SVM）、 随机森林（RF）和eXtreme gradient boosting（XGBoost）模型, 并验证比较各模型的精度（选用R2和RMSE为评价指标）。 结果表明, 作物覆盖条件下土壤有机质含量的响应波段为450~640 nm。 多年长期施用化肥对SOM含量有着显著影响, 将其作为协变量引入模型明显提高了对SOM的估算精度。 4种模型检验精度的对比结果为: XGBoost>RF>SMLR>SVM, 其中以拔节期XGBoost的估算结果最好（建模集和验证集的R2、 RMSE分别为0.516、 0.253和0.590、 0.222）。 可以利用无人机高光谱技术快速估算田块尺度玉米农田的土壤有机质含量, 且XGBoost模型是估算作物覆盖条件下土壤有机质含量的较优选择。
无人机 高光谱 土壤有机质 多元逐步线性回归 机器学习 UAV Hyperspectral Soil organic matter Stepwise multiple linear regression Machine learning 光谱学与光谱分析
2023, 43(8): 2617
扬州市职业大学 机械工程学院, 江苏 扬州 225009
现有基于迭代算法的超分辨显微技术通过收敛到极值的方式实现荧光显微镜的超分辨成像得到荧光图像中各点中心的精确值, 面临着图像数据处理过程较为复杂、对算力要求较高等问题。为了提高计算速度, 提出了基于线型回归的快速点扩散函数参数提取算法, 不需要涉及迭代过程。实验结果表明: 与现有能够精确计算出图像点中心位置和半高宽的对比算法相比, 虽然计算精度稍低, 但是该算法计算时间仅不到对比算法的20%。而且, 算法得到的计算结果可以作为更为精确的对比算法的初始参数, 能够使对比算法的整体计算时间降低30%。算法也可以作为一种实时的点扩散函数半高宽计算算法, 应用在显微镜自动聚焦中。
点扩散函数 超分辨显微成像 线性回归 point spread function super-resolution microscopic imaging linear regression
1 合肥工业大学 微电子设计研究所, 合肥 230601
2 合肥工业大学 教育部IC设计网上合作研究中心, 合肥 230601
设计了一种基于电荷重分配式逐次逼近的高能效相位量化模数转换器(PH ADC)。针对传统结构中量化电平线性度差导致转换精度低的问题, 建立相位映射关系, 并采用线性回归曲线技术, 提升了比较电平线性度。同时, 比较电平数量缩减为传统结构的一半, 降低了电路的电容阵列面积、功耗和复杂度。进一步地, 引入低功耗的单调开关切换方式和共模电压提升电路, 将被加权的比较电平提高至电源电压, 避免了设计额外的参考电平产生电路。基于55 nm CMOS工艺的电路仿真结果表明, 在全工艺角条件下, 有效位数达5.6位以上, FOM值达24.38 fJ/conv。
相位量化模数转换器 线性度 映射关系 线性回归 PHADC linearity mapping relationship linear regression
1 东北大学信息科学与工程学院，辽宁 沈阳 110000
2 中国科学院合肥物质科学研究院安徽光学精密机械研究所环境光学与技术重点实验室，安徽 合肥 230000
3 中国科学技术大学，安徽 合肥 230000
人体呼气中一氧化氮浓度（FeNO）与肺部呼吸道疾病有着紧密的联系，美国食品和药品管理局（FDA）、欧洲呼吸学会（ERS）和美国胸科学会（ATS）等权威机构相继将FeNO作为哮喘生物标志物，并将FeNO列为呼吸系统疾病的常规检查项目。针对FeNO高灵敏监测需求，发展了一套中红外波长调制激光吸收光谱检测仪，利用多元线性回归的方法解决了CO2谱线交叉干扰问题，NO的检测限达到。利用多浓度标准气体对样机性能进行了定标，在体积分数范围内，仪器结果的线性相关性为0.994。最后，对中国中医科学院西苑医院的志愿者呼气样本进行了测量。
光谱学 一氧化氮 激光光谱 中红外波长调制 多元线性回归 光学学报
2022, 42(21): 2130001
1 华南师范大学, 广东省微纳光子功能材料与器件重点实验室, 广东 广州 510006
3 深圳技术大学, 中德智能制造学院, 广东 深圳 518118
4 华中科技大学, 武汉光电国家研究中心, 湖北 武汉 430074
冶金、 核工业、 污染检测和环境监测等领域对元素分析的需求是必不可少。 激光诱导击穿光谱技术作为一种新型的原子光谱分析技术, 具有实时快速、 对样品几乎无损、 可多元素同时分析等特点, 因此一直受到广泛的关注。 但其分析灵敏度较差的缺点一直限制着该技术的发展。 激光诱导荧光辅助激光诱导激光光谱技术能够通过激光共振激发提高分析灵敏度并高效检测样本元素种类, 通过光谱仪收集光谱信息并建立模型可对未知样本进行浓度预测。 但当基体原子与目标原子的特征谱线十分接近时, 基体谱线会受到影响, 此时一元定标准确度下降。 通过一元线性拟合和多元线性拟合两种方式对钢铁中的Ni和Cr元素分别建立线性模型。 首先, 选取样品光谱中的峰值谱线, 核实其是否为待测元素或基体元素所对应的特征谱线, 选定合适的特征谱线后, 将多个谱线的光谱强度以及对应该样品的待测元素浓度作多元线性拟合模型, 将各个谱线所对应的拟合系数由高到低进行排序, 并以多元线性拟合模型中各个特征谱线对应的光谱强度对浓度预测的贡献度为标准不断减少拟合维度, 使Ni和Cr拟合模型的决定系数分别由0.960 1提高至0.992 9和0.992 0提高至0.998 7, Ni和Cr元素含量的回归模型平均相对误差分别由38%降低至10%左右和55%降低至25%以内, Ni和Cr元素的线性回归模型的交叉验证均方根误差随着维度的增加分别由3.4%降低至2%左右和2.5%降低至1.5%左右。 选取多个谱线建立多元线性回归模型的方法较为有效的降低了激发干扰的影响, 以较小的工作量提高了对待测样品的待测元素浓度预测的准确度, 为推进激光诱导荧光辅助激光诱导激光光谱技术在元素分析的实际应用提出了一种可行的方案。
激光诱导激光光谱 激光诱导荧光 多元线性回归 Laser-induced breakdown spectroscopy Laser-induced Fluorescence Multiple linear regression
湖南信息学院电子科学与工程学院, 湖南 长沙 410151
设计了由光源、气室、探测器和控制器等组成的非分散红外吸收系统, 往气室内通入不同浓度的多组分气体(含有乙醇、二氧化碳和水蒸气), 采用红外光谱仪进行光谱数据采集, 得到多组分气体混合光谱图。根据数据集样本求解回归系数, 建立了多元线性回归模型, 并进行干扰修正以降低二氧化碳和水蒸气对乙醇浓度预测的影响。对建立的多元线性回归模型进行评价, 结果表明: 模型真实有效且具有良好的线性回归效果, 可以用于预测气体浓度, 乙醇、二氧化碳和水蒸气浓度预测误差均在可接受的范围之内, 其中乙醇浓度预测误差最小, 不超过 2.0×10－4。通过干扰修正尽可能排除二氧化碳和水蒸气的干扰, 能够较准确地预测乙醇浓度。
多元线性回归模型 乙醇浓度预测 非分散红外技术 干扰修正 multiple linear regression model prediction of ethanol concentration non-dispersive infrared interference correction
西南石油大学土木工程与测绘学院, 四川 成都 610500
利用 MODIS 021KM 数据反演成都地区 2018年逐日 AOD 数据, 并结合 PM2.5 地面监测数据以及气象数据构建地理加权回归 (GWR) 模型得到成都地区逐月 PM2.5浓度。结果表明: (1) 和多元线性回归模型相比, GWR 模型反演的 PM2.5 浓度的 R2、ERMS 和 EMA 分别为 0.884、7.8704 μg·m－3 和 6.1566 μg·m－3 , 都优于多元线性回归的 0.808、9.7098 μg·m－3 和 7.6081 μg·m－3, 说明该模型能有效估算成都地区 2018 年 PM2.5 浓度。(2) 成都地区 PM2.5 浓度在月尺度上呈现出先降低、后升高的变化特征。2 月最高为 67.38 μg·m－3, 7 月最低为 28.31 μg·m－3; PM2.5浓度季节变化特征为夏季、秋季、春季、冬季依次递增。(3) 成都地区 PM2.5 浓度空间分布总体上呈现“中间高、两边低”的特征。西部地区为 PM2.5 浓度低值区, 中部地区为高值区, 东部的简阳市和金堂县为 PM2.5浓度次高值区。
遥感 地理加权回归 中分辨率成像光谱仪 多元线性回归 remote sensing geographically weighted regression moderate-resolution imaging spectroradiometer multiple linear regression PM2.5 PM2.5 大气与环境光学学报
2021, 16(6): 529
1 中国人民公安大学侦查学院, 北京 100038
2 北京市公安局丰台分局, 北京 100071
3 北京华仪宏盛技术有限公司, 北京 100123
建立一种对橡胶鞋底的分类研究方法。利用X射线荧光光谱仪,在电压为45 kV,电流为40 μA,功率为1.8 kW,检测时间为60 s的条件下,对40个不同种类、不同品牌的橡胶鞋底样本进行检验。以鞋的种类作为被解释变量,建立多元线性回归模型,计算得分评级。同时,依据标准化偏相关系数筛选出特征元素。所设计模型可依据元素含量对橡胶鞋底进行分类,为侦查工作提供线索和方向。
光谱学 橡胶鞋底 X射线荧光光谱法 多元线性回归 得分评级 特征元素 分类 激光与光电子学进展
2021, 58(14): 1430002
