在大数据时代, 依靠以机器学习为代表的人工智能技术从海量、复杂多样的电磁大数据中快速挖掘出有效的信息是当前的研究热点。面向电磁数据的机器学习算法具有多样性、多变性的特点, 要求相关人员具有专业能力与编程知识。为解决电磁大数据挖掘实现过程中的复杂编程问题, 提出面向电磁大数据的图形化编程平台, 将机器学习的各类算法组件化, 用户无需编写代码即可建立机器学习模型和工作流分析数据, 并以可视化的方式分析电磁数据, 帮助用户进一步理解数据, 具有快速开发与易上手的优点。

人们对鱼类的品质追求越来越高, 因此对于开发水产养殖中鱼类重要参数脂肪含量的检测显得愈发的重要, 传统的检测方法虽然经过许多研究人员的修改和改进, 但仍然存在费时费力, 需要专业的人员培训存在一些问题。 光谱技术也存在仅使用整条鱼片作为预测样本, 缺乏普遍性, 整个鱼片的成分分布不均匀, 采样时间过长等导致图像质量不高等问题, 该研究通过MCR-ALS算法重建后的数据和图像的增益效果, 评估了采用近红外高光谱成像技术预测并实现鲑鱼片重要参数（脂肪）可视化的可行性。 首先将购买的新鲜三文鱼按照背面和腹部切块分割, 每条三文鱼制作成20个样本, 共100个样本, 其中75个样本用于校正集, 25个样本用于预测集。 用高光谱成像系统采集三文鱼样本的光谱数据, 再通过索氏提取器测定三文鱼脂肪的含量, 并建立其理化值样本, 然后通过MCR-ALS对光谱数据进行重构, 发现重构后的光谱有效信息随着组分推荐评分上升, 通过连续投影算法（SPA）选择特征波长, 并建立最小二乘支持向量机（LS-SVM）模型评估两种预测效果（原始和重建数据）。 MCR-ALS-SPA-LS-SVM的预测精度最高, Rp=0.955 5, RMESP=1.650 5, RPD=3.389 9; 采用MCR-ALS和未处理的模型对鱼片脂肪进行视觉图像预测, 大大减少了噪音的输入, 有效还原了鱼片的轮廓, 并且令鱼的脂肪条纹更加的清晰, 图像质量更优。 进一步分析聚类图像, 通过不同成分的主成分贡献和相同成分的主成分贡献比, 发现类别为20种时, 样品与背景簇存在干扰, 然而采用少量的簇类分析发现, 仅5和10个种类即可完整描绘出整个样品的轮廓, 对于光谱强反应物质存在很好的聚类效果, 具有简化模型的可能。 无论是数据还是图像, 令人满意的预测结果证实了近红外高光谱成像用于鲑鱼脂肪定量和视觉图像预测的可行性, 并且算法的优化大大缩短了检测时间, 为实时在线检测创造了更好的条件。

提出了一种基于相位测量偏折术波前检测的三维流场流动显示方法。光线经过流场后的方向偏转反映流场内部折射率变化, 根据逆哈特曼波前检测模型, 通过同时记录多个视角的光线偏折量, 利用迭代反演重建技术对流场进行三维重构。详细介绍了测量原理以及算法, 通过数值模拟验证了高速流场瞬态流动结构的三维重建, 密度场重建误差的均方根误差(rms)约为 0.19kg/m-3, 验证了本方法的正确性。结果表明, 该方法具有非接触式定量测量、精度高、装置简单、成本低等优点, 为实现大视场定量的复杂三维流场密度测量提供理论基础。

Polarimetry encompasses a collection of optical techniques broadly used in a variety of fields. Nowadays, such techniques have provided their suitability in the biomedical field through the study of the polarimetric response of biological samples (retardance, dichroism and depolarization) by measuring certain polarimetric observables. One of these features, depolarization, is mainly produced by scattering on samples, which is a predominant effect in turbid media as biological tissues. In turn, retardance and dichroic effects are produced by tissue anisotropies and can lead to depolarization too. Since depolarization is a predominant effect in tissue samples, we focus on studying different depolarization metrics for biomedical applications. We report the suitability of a set of depolarizing observables, the indices of polarimetric purity (IPPs), for biological tissue inspection. We review some results where we demonstrate that IPPs lead to better performance than the depolarization index, which is a well-established and commonly used depolarization observable in the literature. We also provide how IPPs are able to significantly enhance contrast between different tissue structures and even to reveal structures hidden by using standard intensity images. Finally, we also explore the classificatory potential of IPPs and other depolarizing observables for the discrimination of different tissues obtained from ex vivo chicken samples (muscle, tendon, myotendinous junction and bone), reaching accurate models for tissue classification.