收卷机

书名：激光光谱学(原书第4版第1卷基础理论)作者：(德)沃尔夫冈·戴姆特瑞德出版社：科学出版社出版时间：2012-02-01页数：387装帧：平装ISBN：9787030331670封面：http://ng1.17img.cn/bbsfiles/images/2013/05/201305061328_438559_1617441_3.jpg内容介绍：《激光光谱学(原书第4版第1卷基础理论)》是W. Demtrcjder教授撰写的两卷本激光光谱学教科书的第1卷，由姬扬译。这套教科书全面地介绍了激光光谱学的基本原理和实验技术，详尽描述了激光光谱学当前研究的全貌。作者多年从事激光光谱学的研究工作，对学科前沿动态了如指掌。全书的文笔简练、叙述翔实，更配有大量插图和实例，是一本非常优秀的教科书。 第1卷介绍了激光光谱学的基本原理。在简短的导论(第1章)之后，概述了光吸收和光发射(第2章)以及谱线的宽度和形状(第3章)中所涉及的基本概念，然后详细介绍了各种类型的光谱仪器(第4章)和激光器(第5章)，从理论和实验两个方面为深入理解激光光谱学奠定了坚实的基础。第2卷具体介绍激光光谱学的实验技术、最新进展以及多种应用范例。 目录：译者的话第四版序言第三版序言第二版序言第一版序言第1章 导论第2章 光的吸收和发射2.1 腔模2.2 热辐射和普朗克定律2.3 吸收、受激辐射和自发辐射2.4 基本光度学量2.4.1 定义2.4.2 大面积上的照明2.5 光的偏振2.6 吸收谱和发射谱2.7 跃迁几率2.7.1 自发辐射跃迁和无辐射跃迁的寿命2.7.2 半经典描述：基本方程2.7.3 弱场近似2.7.4 宽带激发下的跃迁几率2.7.5 唯象地考虑衰减现象2.7.6 与强场的相互作用2.7.7 跃迁几率、吸收系数和谱线强度之间的关系2.8 辐射场的相干性质2.8.1 时间相干性2.8.2 空间相干性2.8.3 相干体积2.8.4 相干函数和相干度2.9 原子系统的相干性2.9.1 密度矩阵2.9.2 相干激发2.9.3 相干激发系统的弛豫2.10 习题第3章 谱线的宽度和形状3.1 自然线宽3.1.1 发射谱的洛伦兹线形3.1.2 线宽与寿命之间的关系3.1.3 吸收跃迁的自然线宽3.2 多普勒宽度3.3 谱线的碰撞展宽3.3.1 唯象描述3.3.2 相互作用势与谱线展宽和位移的关系3.3.3 碰撞引起的谱线变窄3.4 渡越时间展宽3.5 谱线的均匀展宽和非均匀展宽3.6 饱和展宽和功率展宽3.6.1 光学泵浦引起的能级粒子数饱和3.6.2 均匀展宽谱线的饱和展宽3.6.3 功率展宽3.7 液体和固体中的谱线形状3.8 习题第4章 光谱仪器4.1 光谱仪和单色仪4.1.1 基本性质4.1.2 棱镜光谱仪4.1.3 光栅光谱仪4.2 干涉仪4.2.1 基本概念4.2.2 迈克耳孙干涉仪4.2.3 傅里叶光谱4.2.4马赫–曾德尔干涉仪4.2.5 萨格纳克干涉仪4.2.6 多光束干涉4.2.7平面法布里–珀罗干涉仪4.2.8共焦型法布里–珀罗干涉仪4.2.9 多层介质膜4.2.10 干涉滤光片4.2.11 双折射干涉仪4.2.12 可调谐的干涉仪4.3 光谱仪和干涉仪的比较4.3.1 谱分辨本领4.3.2 采光本领4.4 波长的精确测量4.4.1 波长测量的精密度与准确度4.4.2 当代的波长计4.5 光的探测4.5.1 热探测器4.5.2 光电二极管4.5.3 光电二极管阵列4.5.4 电荷耦合器件4.5.5 光电发射探测器4.5.6 探测技术和电子仪器4.6 结论4.7 习题第5章 激光：光谱测量中的光源5.1 激光的基本知识5.1.1 激光器的基本元件5.1.2 阈值条件5.1.3 速率方程5.2 激光共振腔5.2.1 开放式光学共振腔5.2.2 开放式共振腔中的场分布5.2.3 共焦式共振腔5.2.4 一般性的球型共振腔5.2.5 开放式共振腔的衍射损耗5.2.6 稳定共振腔和非稳定共振腔5.2.7 环形共振腔5.2.8 被动式共振腔的频谱5.3 激光发射谱的特性5.3.1 主动式共振腔和激光模式5.3.2 增益饱和5.3.3 空间烧孔5.3.4 多模激光和增益竞争5.3.5 模式拖曳5.4 单模激光的实现5.4.1 选择谱线5.4.2 横向模式的抑制5.4.3 单纵模的选择5.4.4 光强的稳定5.4.5 波长的稳定5.5 单模激光器的波长可控调谐15.5.1 连续可调谐技术5.5.2 波长的校准5.5.3 频率偏移的锁定5.6 单模激光的线宽5.7 可调谐激光器5.7.1 基本概念5.7.2 半导体二极管激光器5.7.3 可调谐固体激光器5.7.4 色心激光器5.7.5 染料激光器5.7.6 准分子激光器5.7.7 自由电子激光器5.8 非线性光学混频技术5.8.1 物理背景5.8.2 相位匹配5.8.3 二次谐波生成5.8.4 准相位匹配5.8.5 和频与高阶谐波的产生5.8.6 X射线激光器5.8.7 差频谱仪5.8.8 光学参量振荡器5.8.9 可调谐的拉曼激光器5.9 高斯光束5.10 习题习题解答参考文献阅读心得：我的工作是直读光谱分析，在一次搜索相关书籍时找到这套书，马上拍了下来，介绍了很多理论性的知识，虽然有点难懂，但是阅读完后再理解直读的理论会有很大的帮助。其他方面的知识也长了不少，很值得一读。

[color=#444444]请教大神，我用程序能算出Sn的振子强度与波长的关系，比如说是一千条分立的谱线，我想问一下怎么对这一千条谱线做高斯卷积运算。附件图中上面的谱线是算出来的分立光谱，下面的卷积之后的光谱是如何得到的？？[/color][color=#444444][img=,507,900]https://ng1.17img.cn/bbsfiles/images/2019/05/201905091059299451_1678_1752342_3.jpg!w507x900.jpg[/img][/color]

[b]卷积神经网络模型发展及应用转载地址：[/b]http://fcst.ceaj.org/CN/abstract/abstract2521.shtml [img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-9243a15c-bcd6-4a63-921e-932f257a1e05.png[/img][img=,690,212]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021122351500_3641_5785239_3.png!w690x212.jpg[/img]深度学习是机器学习和人工智能研究的最新趋势，作为一个十余年来快速发展的崭新领域，越来越受到研究者的关注。卷积神经网络（CNN）模型是深度学习模型中最重要的一种经典结构，其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示，卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。[b]首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构，分析了采用注意力机制进一步提升模型性能的网络结构，然后归纳分析了目前的特殊模型结构，最后总结并讨论了卷积神经网络在相关领域的应用，并对未来的研究方向进行展望。[/b]卷积神经网络（convolutional neural network，CNN） 在计算机视觉[1- 5]、自然语言处理[6- 7]等领域已被广泛 应用。在卷积神经网络兴起之前，主要依靠人工针对特定的问题设计算法，比如采用 Sobel、LoG（Laplacian of Gaussian）、Canny、Prewitt 等[8- 11]算子进行边 缘 检 测 ，采 用 Harris、DoG（difference of Gaussian）、FAST（features from accelerated segment test）、SIFT （scale invariant feature transform）等[12-15]用于角点等特 征检测，并且采用传统分类器如 K近域、支持向量机、 稀疏分类器等[16- 18]进行分类。特征提取和分类器的 设计是图片分类等任务的关键，对分类结果的好坏 有着最为直接的影响。卷积神经网络可以自动地从 训练样本中学习特征并且分类，解决了人工特征设计 的局限性。神经网络的思想起源于1943年McCulloch 和 Pitts 提出的神经元模型[19]，简称 MCP 神经元模 型。它是利用计算机来模拟人的神经元反应的过 程，具有开创性意义。此模型将神经元反应简化为 三个过程：输入信号线性加权、求和、非线性激活。1958 年到 1969 年为神经网络模型发展的第一阶段， 称为第一代神经网络模型。在 1958 年 Rosenblatt 第 一次在 MCP 模型上增加学习功能并应用于机器学 习，发明了感知器算法[20]，该算法使用 MCP 模型能够 采用梯度下降法从训练样本中自动学习并更新权 值，并能对输入的多维数据进行二分类，其理论与实 践的效果引起了神经网络研究的第一次浪潮。1969 年美国数学家及人工智能先驱 Minsky在其著作中证 明感知器本质上是一种线性模型[21]，只能处理线性分 类问题，最简单的异或问题都无法正确分类，因此神 经网络的研究也陷入了近二十年的停滞。1986 年到 1988 年是神经网络模型发展的第二阶段，称为第二 代神经网络模型。1986 年 Rumelhart 等人提出了误 差反向传播算法（back propagation algorithm，BP）[22]。BP 算法采用 Sigmoid 进行非线性映射，有效解决了 非线性分类和学习的问题，掀起了神经网络第二次 研究高潮。BP 网络是迄今为止最常用的神经网络， 目前大多神经网络模型都是采用 BP网络或者其变化 形式。早期神经网络缺少严格数学理论的支撑，并 且在此后的近十年时间，由于其容易过拟合以及训 练速度慢，并且在 1991 年反向传播算法被指出在后 向传播的过程中存在梯度消失的问题[23]，神经网络再 次慢慢淡出人们的视线。1998 年 LeCun 发明了 LeNet-5，并在 Mnist 数据 集达到 98%以上的识别准确率，形成影响深远的卷积 神经网络结构，但此时神经网络的发展正处于下坡 时期，没有引起足够的重视。从感知机提出到 2006 年以前，此阶段称为浅层 学习，2006 年至今是神经网络的第三阶段，称为深度 学习。深度学习分为快速发展期（2006—2012 年）和 爆发期（2012 年至今），2006 年 Hinton 提出无监督的 “逐层初始化”策略以降低训练难度，并提出具有多 隐层的深度信念网络（deep belief network，DBN）[24]， 从此拉开了深度学习大幕。随着深度学习理论的研究和发展，研究人员提 出了一系列卷积神经网络模型。为了比较不同模型 的质量，收集并整理了文献中模型在分类任务上的 识别率，如图 1所示。由于部分模型并未在 ImageNet 数据集测试识别率，给出了其在 Cifar-100 或 Mnist数 据集上的识别率。其中，Top-1识别率指的是 CNN 模型预测出最大概率的分类为正确类别的概率。Top-5 识别率指的是 CNN 模型预测出最大概率的前 5 个分 类里有正确类别的概率。2012 年，由 Alex Krizhevshy 提出的 AlexNet给卷 积神经网络迎来了历史性的突破。AlexNet 在百万 量级的 ImageNet数据集上对于图像分类的精度大幅 度超过传统方法，一举摘下了视觉领域竞赛 ILSVRC2012的桂冠。自 AlexNet之后，研究者从卷积神经网 络的结构出发进行创新，主要有简单的堆叠结构模 型，比如 ZFNet、VGGNet、MSRNet。堆叠结构模型通 过改进卷积神经的基本单元并将其堆叠以增加网络 的深度提升模型性能，但仅在深度这单一维度提升 模 型 性 能 具 有 瓶 颈 ；后 来 在 NIN（network in network）模型提出使用多个分支进行计算的网中网结 构模型，使宽度和深度都可增加，具有代表性的模型 有 Inception 系列模型等；随着模型深度以及宽度的 增加，网络模型出现参数量过多、过拟合以及难以训 练等诸多问题。ResNet 提出残差结构后，为更深层 网络构建提出解决方案，随即涌现出很多残差结构模 型，比如基于 ResNet 改进后的 ResNeXt、DenseNet、 PolyNet、WideResNet，并且 Inception也引入残差结构 形成了 Inception-ResNet-block，以及基于残差结构并 改进其特征通道数量增加方式的 DPResNet；与之前 在空间维度上提升模型性能的方法相比，注意力机 制模型通过通道注意力和空间注意力机制可以根据 特征通道重要程度进一步提升模型性能，典型的模 型为 SENet、SKNet 以及 CBAM（convolutional block attention module）。传统的卷积神经网络模型性能十分优秀，已经 应用到各个领域，具有举足轻重的地位。由于卷积 神经网络的模型十分丰富，有些模型的结构或用途 比较特殊，在本文中统称为特殊模型，包括具有简单的结构和很少参数量的挤压网络模型 SqueezeNet，采 用无监督学习的生成对抗网络模型（generative adversarial network，GAN），其具有完全相同的两路网络 结构以及权值的孪生神经网络模型 SiameseNet，以 及通过线性运算生成其他冗余特征图的幽灵网络 GhostNet。由于卷积神经网络的一系列突破性研究成果， 并根据不同的任务需求不断改进，使其在目标检测、 语义分割、自然语言处理等不同的任务中均获得了 成功的应用。[b]基于以上认识，本文首先概括性地介绍了卷积 神经网络的发展历史，然后分析了典型的卷积神经 网络模型通过堆叠结构、网中网结构、残差结构以及 注意力机制提升模型性能的方法，并进一步介绍了 特殊的卷积神经网络模型及其结构，最后讨论了卷 积神经网络在目标检测、语义分割以及自然语言处 理领域的典型应用，并对当前深度卷积神经网络存 在的问题以及未来发展方向进行探讨。[img=,690,387]https://ng1.17img.cn/bbsfiles/images/2022/08/202208021123119824_325_5785239_3.png!w690x387.jpg[/img][/b][img]https://oss-emcsprod-public.modb.pro/image/editor/20220802-51d3c121-d787-4a08-a7a4-a7f9ecb3a33d.png[/img][b]转载文章，如有侵权，请联系我删除[/b]

AMDIS自动化质谱图解卷积和鉴定软件在GC/MS数据处理的初步应用(7)- 手动解卷积（2）（ 本文只是一种探讨交流，可能有不足不妥之处，欢迎批评指正。未经同意，请勿转载。多谢合作！） 先回顾一下AMDIS的基本概念对于AMDIS有的网友可能比较熟悉，特别是农残，环境，有害物，香精香料等领域的朋友可能属于高级使用者。本人以初学者的身份初步介绍一下AMDIS。如有不妥，请批评指正。未经许可，不得转载，请谅解。一般来说，目标化合物的分析要求检测目标离子和确认离子的比例。然而，对于高基体背景的样品，大峰后面的痕量组分或流出时间很接近的成分，离子比例会受到基体的影响很难符合要求。为了确保分析结果可靠，一般采用背景扣除及手动积分。因此，对于复杂基体的样品数据处理，需要耗费大量的时间。为了提高分析效率，谱图可以利用一种称为“解卷积”的数学计算来将目标化合物从背景中分离出来。美国国家标准和技术院(NIST)开发了功能强大的解卷积软件，即自动质谱解卷积和鉴定系统(AMDIS)。下面简单介绍一下AMDIS：AMDIS 软件由美国国家标准技术研究院（NIST）（National Institute of Standards and Technology）提供。The Automatic Mass Spectral Deconvolutionand Identification System (AMDIS)自动质谱图解卷积和鉴定系统软件(AMDIS)让您从GC/MS数据文件自动找到目标化合物。软件先对GC/MS数据文件解卷积寻找所有分离组分。每一组分与目标化合物的谱库进行对比。如果以上的用户设定值，然后报告出目标图谱和解卷了组分的图谱的匹配因子。什么是解卷积（Deconvolution）?NIST AMDIS的定义:“这里所用的术语在广义上是指从一个复杂的混合物中提取信号。 解卷积的过程包括处理噪音、校正漂移、从紧密相邻的共洗脱峰中提取出单个峰等。” (简单讲就是去复杂化)用下面的简图可以解释解卷积过程:在GC/MS 中，Deconvolution是一种数学技术，它可以将重叠的质谱图“分开”成为“清晰”的单个组分的谱图。图1 是这个过程的简单示意图。这里分别是总离子流色谱图(TIC)和质谱图。与常见的情况一样，这个色谱峰包含了多个重叠在一起的组分，而最高点质谱图实际上也是这些组分的组合图。质谱谱库检索只可能给出一个较差的匹配，而且不能识别所有构成这种组合谱图的单个化合物组分。http://ng1.17img.cn/bbsfiles/images/2016/12/201612301125_01_1615838_3.jpg图1 解卷积过程的简单示意图其它相关内容请参考我以前的帖子。

[align=center][size=24px][color=#ff0000][b]3i奖——2023年度科学仪器行业售后服务十佳企业评选问卷调研开启！[/b][/color][/size][/align][size=18px] 仪器信息网作为中国科学仪器行业领先的信息平台，长期关注仪器行业售后服务发展，连续多年组织了中国科学仪器行业售后服务评选活动，受到业内企业、用户广泛好评。仪器信息网继续本着“公平、公正、公开”的原则，面向业内广大企业、用户及专家学者，组织“2023年度科学仪器行业售后服务十佳企业”评选（简称：售后评选）活动。现诚邀您参与我们的售后评选用户满意度问卷填写工作，您的意见反馈对我们很重要！以下活动详情供您参考：1、问卷填写截止时间：2024年3月16日2、问卷填写形式：[color=#ff0000][b]第一种方式：[url=http://dirkyn04rzbteklh.mikecrm.com/ty3pT2e]点击打开链接，填写问卷得10元话费！[/url]第二种方式：扫描二维码填写问卷[img=,198,198]https://ng1.17img.cn/bbsfiles/images/2024/01/202401261405499911_4834_5842670_3.png!w198x198.jpg[/img][/b][/color]3、填写注意事项：每份问卷以参选的厂商（品牌）为单位，每人可以根据在用仪器的品牌数量填写多份问卷。除您个人可以填写问卷参与调研外，也欢迎转发给您的同事、同行一起参与。4、奖励规则：每份有效问卷奖励10元话费，将在活动结束后2024年4月中旬发放。如有疑问请联系：张先生 联系：010-51654077-8201 客服微信：wayqsq 仪器及检测3i奖”，简称“3i奖”（创新Innovative、互动Interactive、整合Integrative），始于2006年，是由信立方旗下网站——仪器信息网和我要测网联合举办，随着科学仪器及检验检测行业的发展需求，应运而生。截至目前已设有12类奖项，记录了行业发展路上的熠熠星光。 3i奖作为行业公益奖项，始终秉承着“公正、公平、公开 ”的原则，依托信立方长期合作的业内权威专家和数千万用户进行评审，遴选出代表技术发展趋势的创新产品、表彰科学仪器及检测行业表现卓越的企业、企业家和具有特殊贡献的研发人物等，弘扬正能量，促进行业高速发展。了解更多3i奖详情：https://www.instrument.com.cn/event/prize[/size]