针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点，在综合各种数据降维方法的基础上，提出一种基于最佳波段组合的高光谱遥感影像分类方法。
以美国印第安纳州地区的AVIＲIS数据为例，分析各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择;并针对难区分地物类别，应用J－M距离模型对其可分性进行判别，获得最佳波段组合。
最初采用支持向量机分类器进行分类。
实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。

spa连续投影算法，是对光谱图像波段的最优选择提出，但对其他的多维矩阵也具有可操作性！程序能够运转。

FY3，MODIS，NPPVIIRS，Landsat8等常用卫星的波段信息、空间分辨率等参数，材料整合整理

对同步辐射红外光束线中由两个相同光学参数的超环面镜组成的对称式光学系统的像差和超环面镜缩放比之间的关系进行分析。
计算结果表明，使用3倍压缩比的超环面镜可将上海光源同步辐射红外光束线站BL06B的500μm波长的红外光在金刚石化学蒸汽沉积（CVD）窗上的透射率优化到50%左右；
光学设计软件Zemax光线追迹结果表明，该对称式结构的像差不影响中红外光束的聚集功能。
SynchrotronRadiationWorkshop模拟计算结果表明，使用3倍压缩比的超环面镜和直径15mm的金刚石CVD窗获得的光子通量与使用1倍压缩比的超环面镜和直径45mm的金刚石CVD窗获得的光子通量相当，但前者的碳峰吸收约为后者的37%。
由两个3倍压缩比的超环面镜组成的对称式光学结构在兼顾近中红外功能的同时，优化了同步辐射红外光束线在远红外波段的功能。

本文采用两种改进的算法:基于HSV的小波融合算法(HSV-WT)、基于区域特征的自适应小波包融合算法(AWP)分别对多光谱LandSatTM数据与全色SPOT-5数据、TM数据与ERS-2的合成孔径雷达SAR数据进行融合.融合结果表明两种改进算法融合后的数据在保持光谱信息和提高空间细节信息两方面均得到提高.当应用两种方法对同一组数据进行处理时,AWP的功能参数优于HSV-WT.这两种算法相对传统小波算法,能克服对高频信息处理的缺陷,突破待融合数据的分辨率比值限制,实现分辨率之比非2n的数据融合.

1、 训练数据准备所有数据均放置于Sample\Build\下，其中Build为数据类型，根据本人需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照:Sample\Build\train\IMG_T1-----------------------\IMG_LABEL-----------------\val\IMG_T1-----------------------\IMG_LABEL2、 训练参数设置参数和运行皆在dp0_train.py中，主要参数包括：（1） num_epochs，训练批次（2） learning_rate，学习率（3） dataset，步骤一本人构建的数据集名称（4） band，输入数据通道数（波段数）（5） n_class,模型输出通道数（类别）设置好后点击run即可3、 训练模型位置模型结构放与net文件中，生成模型文件pt位于Checkpointspath\4、 预测使用填写参数Checkpointspath，模型位置名称Dataset，待预测数据文件夹Outputpath，输出数据文件夹

提出一种利用FPGA实现Hadamard变换光谱仪光谱复原算法的方案。
利用具备数字信号处理功能的FPGA对Hadamard编码图像,可以快速地进行Hadamard逆变换并得到复原图像。
根据复原图像可以晓得被测目标在各个波段的信息从而获得光谱曲线。
实验表明，利用FPGA来完成该型光谱仪的光谱复原可以得到清晰的复原图像和单点光谱曲线，并且与软件得到的处理结果基本相同。
该方案可以用于该型光谱仪的实时光谱复原以及基于光谱特征的目标识别领域。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。