介绍测量接收机与矢量网络分析仪测量衰减的原理,并对不确定度来源进行了分析。分别对低反射系数下,不同衰减量进行不确定度评定,表明衰减量在(10~60) d B范围内,两种标准测量不确定度相当;另外,采用两种测量标准对较大输入反射系数模...介绍测量接收机与矢量网络分析仪测量衰减的原理,并对不确定度来源进行了分析。分别对低反射系数下,不同衰减量进行不确定度评定,表明衰减量在(10~60) d B范围内,两种标准测量不确定度相当;另外,采用两种测量标准对较大输入反射系数模值、不同相位下的阻抗调配器级联20dB固定衰减器作为被测件进行测试,最大偏差达到±0. 31dB,矢量网络分析仪的测量不确定度(0. 18dB),明显小于接收机测量不确定度(0. 59dB)。展开更多
文摘实现基于RGB图像的光谱重建对降低光谱的硬件要求、扩大其实际应用具有重大意义。该研究以鱼糜掺假检测为例,比较多元多项式最小二乘回归算法(polynomial multivariate least-squares regression,PMLR)与深度学习HRNet网络对光谱重建的性能,建立基于重建光谱多种掺假鱼糜检测模型并验证其实际应用的有效性。结果表明,2种方法的重建光谱误差较小,HRNet网络、PMLR算法重建光谱的均方根误差(root mean square error,RMSE)分别为0.0104和0.0126,大多数掺假检测模型有较高的预测准确性,其预测相关系数大于0.91,预测均方根误差小于9%。在基于重建光谱建立的掺假检测模型中,效果最佳的是基于PMLR算法重建光谱使用标准正态变量变换(standard normal variate,SNV)预处理的极限学习机回归模型,其预测均方根误差为3.9544%、预测相关系数为0.9830。因此,PMLR算法和HRNet网络均能较好的实现基于RGB图像的光谱重建,且重建光谱均能实现对鱼糜掺假样本的较好检测结果,为基于重建光谱的食品和农产品品质与安全检测提供了新思路。