1 江苏大学食品与生物工程学院, 江苏 镇江 212013
2 2. Department of Molecular Cell Physiology, Kyoto Prefectural University of Medicine, Kyoto 602-8566, Japan
近红外光谱因为具有小成本、 易操作、 低耗时等优点, 所以广泛用于食品领域。 作为一种间接的检测方法, 近红外光谱检测需要建立光谱和浓度之间的统计模型。 但是, 一种条件下建立的模型在另一种检测条件下会失效。 针对此问题, 重新建模可以加以解决, 但是重新建立光谱与浓度之间的模型非常繁琐耗时。 此时, 模型转移可以在避免重新建模的情况下, 通过光谱校正, 保证预测精度。 在模型转移中, 已经建立好模型的光谱称为主光谱(A), 不用建立模型, 而只用主光谱模型预测的光谱称为从光谱 (B)。 模型转移方法的步骤是, 先在校正集中选择一些样本作为主光谱的转移集(At), 然后选择从光谱中浓度和At相同的光谱, 以此作为从光谱的转移集(Bt)。 通过At和Bt构建模型转移矩阵。 最后将需要校正的从光谱(Bv)乘以上述的转移矩阵中, 即可获得校正后的从光谱(Bnew)。 此时, Bnew就可以用主光谱的模型来直接预测。 在模型转移中, 转移集样本的选择对模型校正至关重要。 目前, 转移集的样本通常从光谱之间的距离而非模型转移误差获得。 但是, 转移误差对模型转移结果的验证至关重要, 故该研究出了基于集群分析的集群优化法(ER)并将其用于优化KS方法产生的转移集样本。 ER先用随机方法建立转移集的多个子集合, 并计算每个子集合的转移误差。 然后, 对某一个样本, 计算包含这个样本的子集合转移误差均值。 最后, 选择转移误差均值较低的样本作为新转移集样本进行模型转移。 以玉米数据测试了ER算法。 结果显示, 对于典型相关分析-有信息成分提取法(CCA-ICE)、 直接校正法(DS)、 分段直接校正法(PDS)、 光谱空间转化法(SST)这些常见的模型转移方法, 相比于KS样本选择方法, ER方法可以找出重要的转移集样本, 进而显著降低模型转移误差。
模型转移 集群分析 样本选择 偏最小二乘 近红外光谱 Calibration transfer Model population analysis Sample selection Partial least squares Near-infrared spectrum 光谱学与光谱分析
2022, 42(4): 1323
江苏大学食品与生物工程学院, 江苏 镇江 212013
在近红外光谱分析中, 将近红外光谱和浓度信息建立统计模型, 通过光谱代入模型即可预测未知样本浓度。 但是, 检测条件的变化会导致光谱的改变, 进而导致原有的模型不能准确预测光谱改变后的样本。 对此, 模型转移可以通过校正新测量的光谱（从光谱）, 使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。 模型转移可以使用全光谱进行校正, 但是全光谱中往往包括噪声、 背景等干扰信息, 这些干扰会增加预测误差。 故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。 但是一般的变量选择算法只选择主光谱的区间, 从光谱使用主光谱相同的波长区间模型转移。 但是在实际工作中, 主光谱和从光谱有化学意义的区间往往不一致, 主从光谱使用同一区间模型转移会增加误差; 此外, 有时二者原光谱的波长范围并不一致, 从主光谱选出的区间不能用于从光谱的校正。 对此, 提出了基于双光谱区间遗传算法（GA-IDS）, 同时选择主光谱和从光谱有化学意义的区间, 进而实现模型转移。 GA-IDS算法步骤包括, ①随机产生种群; ②分析种群中每条染色体, 删去错误染色体; ③根据每条染色体, 找出其相应的主光谱和从光谱波段组合, 并计算其模型转移后的验证均方根误差(RMSEV); ④按照概率, 执行选择、 交叉、 变异操作。 在一次迭代结束之后, 返回到步骤②, 重新执行纠错、 计算RMSEV、 选择、 交叉、 变异。 达到停止迭代的要求后, 将最低的RMSEV值所对应的染色体保存下来作为最优染色体, 其所对应的主从光谱区间作为最优区间。 用玉米、 小麦两套数据测试了该算法, 结果显示, 与全光谱相比, GA-IDS选择的主从光谱区间可以显著地降低误差; 与向后迭代区间选择法（IIBS）相比, 在小样本情况下, GA-IDS的误差显著地小于IIBS方法。
近红外光谱 模型转移 遗传算法 变量选择 向后迭代区间选择法 Near-infrared spectra Calibration transfer Genetic algorithm Variable selection Iterative interval backward selection 光谱学与光谱分析
2022, 42(12): 3783
使用物理气相传输法(PVT)通过扩径技术制备出直径为209 mm的4HSiC单晶，并通过多线切割、研磨和抛光等一系列加工工艺制备出标准8英寸SiC单晶衬底。使用拉曼光谱仪、高分辨X射线衍射仪、光学显微镜、电阻仪、偏光应力仪、面型检测仪、位错检测仪等设备，对8英寸衬底的晶型、结晶质量、微管、电阻率、应力、面型、位错等进行了详细表征。拉曼光谱表明8英寸SiC衬底100%比例面积为单一4H晶型；衬底(004)面的5点X射线摇摆曲线半峰全宽分布在10.44″~11.52″；平均微管密度为0.04 cm-2；平均电阻率为0.020 3 Ω·cm。使用偏光应力仪对8英寸SiC衬底内部应力进行检测表明整片应力分布均匀，且未发现应力集中的区域;翘曲度(Warp)为17.318 μm，弯曲度(Bow)为-3.773 μm。全自动位错密度检测仪对高温熔融KOH刻蚀后的8英寸衬底进行全片扫描，平均总位错密度为3 293 cm-2，其中螺型位错(TSD)密度为81 cm-2，刃型位错(TED)密度为3 074 cm-2，基平面位错(BPD)密度为138 cm-2。结果表明8英寸导电型4HSiC衬底质量优良，同比行业标准达到行业先进水平。
8英寸SiC单晶衬底 物理气相传输法 X射线摇摆曲线 微管密度 翘曲度和弯曲度 位错密度 8inch SiC single crystal substrate physical vapor transport mehtod Xray rocking curve micropipe density warp and bow dislocation density
中国航天科技集团公司 第九研究院 第16研究所, 陕西 西安 710000
针对高精度光纤平台系统误差补偿的需求，有效地提高光纤平台的应用精度及启动快速性，该文考虑了加速度计的杆臂误差、惯性仪表的时间不同步误差、安装误差及标度因数误差等误差特性，建立了两级标定的Kalman滤波方程。采用Kalman滤波法实现误差参数的辨识，并对该方法进行了仿真分析和实验验证。仿真和实验结果表明，所设计的系统级标定方法能够估计出所有的误差参数，且具有较高的应用性能，对于提升高精度光纤平台的应用精度具有重要意义。
平台系统 高精度光纤陀螺 误差参数 两级标定 卡尔曼滤波 platform system high-precision fiber optic gyro (FOG) error parameter two-level calibration Kalman filter
吉林大学 仪器科学与电气工程学院, 吉林 长春130012
针对基于视觉传感器的微小卫星大视距交会对接中, 合作目标难以被相机清晰识别的问题, 本文设计了一种一体化新型合作靶标, 在100 m~100 mm测量范围内, 实现由远及近高精度双星相对位姿解算。首先, 建立合作目标模型, 确定合作目标类型; 其次, 采用PnP(Perspective-n-Point)算法设计合作目标特征点的个数与尺寸; 然后, 根据相机视场、焦距与合作靶标的约束关系, 确定合作目标模型尺寸; 最后, 通过理论与实验相结合的手段进行验证。仿真实验结果表明, 在双星相对距离为100 m时, 姿态误差小于4.01°, 位置误差小于7.57 mm。在相对距离为100 mm时, 姿态误差小于0.06°, 位置误差小于0.02 mm。
交会对接 合作目标 单目视觉 目标识别 rendezvous and docking cooperative target monocular vision target recognition
吉林大学 仪器科学与电气工程学院，吉林长春130021
为解决弱光环境下月球着陆粗避障环节成像不清晰的问题，提出了“区域”像元合并和去除相机本底值两种图像预处理方法，来提高探测器的成像灵敏度和图像信噪比与对比度。在分析传统像元合并实现原理的基础上，提出了一种针对n_taps成像数据格式的“区域”像元合并方法。根据月球着陆粗避障环节中大尺度障碍识别的特点，通过去除相机本底值来提高图像的对比度。最后，利用宽、窄视场两款相机分别对像元合并、去除相机本底值以及两者结合的方法进行了重复性实验。实验结果表明，在弱光环境下，结合像元合并与去除相机本底值的方法可有效提高图像的信噪比与对比度，2_Binning模式下宽视场相机的信噪比可提高5.901 4 dB、对比度可提高0.254 7，窄视场相机的信噪比可提高5.764 4 dB、对比度可提高0.265 4；4_Binning模式下宽视场相机的信噪比可提高11.689 9 dB、对比度可提高0.210 2，窄视场相机的信噪比可提高11.401 5 dB、对比度可提高0.284 0。
弱光探测 像元合并 相机本底值 多项式拟合 weak light detection pixel binning camera background value polynomial fitting 光学 精密工程
2021, 29(11): 2539
郑州工程技术学院 信息工程学院，河南 郑州 450044
针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题，运用数理统计领域的方法，以舰船合成孔径雷达图像为研究对象，在深入分析经典K–Means聚类算法以及高斯混合模型之后，提出一个改进的高斯混合模型，用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进，同时，将传统高斯混合模型的每一个概率分布，进一步再细分成单个的概率成分，在辅助变量计算过程中，采用梯度上升算法。仿真实验结果显示，研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。
舰船SAR图像 马氏距离 高斯混合模型 梯度上升算法 ship SAR image Mahalanobis distance Gaussian Mixture Model gradient ascent algorithm 太赫兹科学与电子信息学报
2021, 19(5): 905
