简述在校准紫外可见分光光度计时使用标准滤光片，当使用的标准滤光片校准证书给定的不确定度为范围时，怎样更为合适的进行不确定度值的选择。

一、概述 分光光度计是一类重要的分析仪器，广泛应用于化工、 冶金、医药、食品、环境检测等行业。为了保证分光光度计 测量的准确性，需要对分光光度计的波长和透射比进行校准。 根据 JJG 178-2007《紫外可见近红外分光光度计检定规程》， 可用于分光光度计波长校准的标准器有汞灯、干涉滤光片、 吸收型波长滤光片（氧化钬滤光片、镨钕滤光片、镨铒滤光 片）、1,2,4- 三氯苯（分析纯）和氧化钬溶液。其中吸收型波 长滤光片（氧化钬滤光片、镨钕滤光片、镨铒滤光片）由于 具备方便携带和使用、其光谱吸收比与波长的设置无关、不 受杂散光的影响、量值稳定，随时间、温湿度等环境的变化 可以忽略等优势，应用为广泛。 二、分光光度计波长示值误差的不确定度评定 在分光光度计波长示值误差校准不确定度评定中，根据 测量模型对波长示值误差测量结果的不确定来源分析主要有： ①由计量标准器引入的测量不确定度分量；②测量方法的不 确定度；③环境条件的影响；④人员校准操作的影响；⑤被 校准仪器的重复性。由于采用直接比较法进行校准，测量方 法的不确定可以不予考虑。在规程规定的环境条件下进行校 准，环境条件的影响较小，可忽略。人员校准操作的影响， 读数和被校仪器的随机变动影响体现在测量重复性中。因此， 紫外可见近红外分光光度计波长准确度校准结果的不确定度 主要来源有计量标准量值的不确定度和仪器测量重复性的不 确定度两项。由于分光光度计这类仪器测量重复性较好，所 以校准结果的不确定度大来源就是由标准器引入的不确 定度。

三、标准滤光片不确定度的选择 购买的标准滤光片全部送中国计量科学研究院校准，由 中国计量科学研究院所出证书对其校准结果的不确定度描 述为： U=0.1 nm~0.4 nm k=2 （380 nm-780 nm，随吸收峰的形状 和位置而定） U=0.2 nm~0.5 nm k=2 （200 nm-380 nm，780 nm-2000 nm 随吸收峰的形状和位置而定） 由此给分光光度计波长的校准不确定度评定带来问题， 如何确定证书吸收峰波长值得不确定度。如果按稳妥方法选取波长分段校准不确定度的大值，那么计算出来的测量结 果的校准不确定度在 A 段一般在 0.5~0.6 之间，B 段 0.4~0.6 之间但是根据规程 JJG178-2007 [1] 规定。

容易发现，对于Ⅰ级的分光光度计，这样的不确定度实 在是太大了，没法使用。 虽然对波长进行校准时，紫外可见光部分还可以选取汞 灯及氧化钬溶液作为标准器，但是有些设备需要拆机才能加 光源，而使用氧化钬溶液也需要清洗吸收池等，会大大加大 校准操作难度。 为了合理简化校准操作，节省客户时间，防止损坏客户 设备。需要对滤光片吸收峰值对应的不确定度进行合适选值。 根据中国计量科学研究院所出证书对其校准结果的不确定 度为： U=0.1 nm~0.4 nm k=2 （380 nm-780 nm，随吸收峰的形状 和位置而定） U=0.2 nm~0.5 nm k=2 （200 nm-380 nm，780 nm-2000 nm 随吸收峰的形状和位置而定） 从校准波长的目的出发，要求吸收型波长标准滤光片能 提供一个陡峭的、尖锐的光谱吸收峰。由于我们并没有滤光 片的光谱图，如果每个波长都要出具具体的不确定度，需要 重新送校，每个点单独校准，费用太高。怎样根据已有的信 息对标准吸收峰波长进行判定。根据证书不确定度描述，不 确定度的具体值随吸收峰的形状和位置而定，结合证书校准 结果，发现结果中给出了相对峰高、相对峰高 ×100%/ 光 谱带宽、吸收峰对称性 / 相对峰高 ×100% 的值。参考 JJG 1034-2008《光谱光度计标准滤光器检定规程》[2], 及规程编写 者张巧香老师文章《吸收型波长滤光片关于吸收峰的评价方 法》[3] 及从中国计量科学研究院了解的各个波长具体的不确 定度值。可以通过相对峰高 ×100%/ 光谱带宽给出的参考值当前，采用 DBN 的分类方法的主要步骤是：一，数据的 预先处理；二，图像特征的计算与构建；三，样本及参数的 选取；四，基于 DBN 的分类及评定。 （一）RBM 的参数设置 RBM 的参数由训练参数和隐含节点数两部分组成 [4]。 RBM 的训练参数主要由 e（学习率），权重等几个主要的部分 组成，当学习率的数值设置较大时，算法的收敛速度就会随 之增大，与此同时，也会增加系统的不稳定性，反之，则会 降低算法的收敛速度，但系统不稳定的情况可以得到很好的 解决。通常情况下，为了保持系统的稳定状态，会设置较小 的学习率。除此之外，为了保证训练的效率，充分利用这种 运算方式的优势，会将样本进行个体的划分，进行逐个的训练。 系统也时常会通过计算 RBM 的重构误差来对节点数进行 选择。重构误差将通过训练所获取的参数，作为初始值（即 初始状态），根据采样后获取的数值与原数据之间的差异来进 行评估，这也就是所谓的 RBM 的重构误差。重构误差可以在 一定程度上对数据的似然度进行反应，但这种数据并不是可 靠的。从另一方面说，相对于重构误差的不可靠性，选择这 种方法的原因则是因为其方法的简单与，注重它的时效 性 [5]。 （二）DBN 网络深度 在实际的运用过程中，DBN 网络深度取得了更为明显的 分类效果，采用越高的网络深度，就可以获得更抽象的特征 表示以及分类性能，但是随着层数的不断增多，训练的耗时 也不断增多，其效率也在随之不断降低，网络泛化性能也出 现了些许的波动情况。网络深度的合适往往会与具体的应用和数据挂钩，理应根据不同的网络深度，通过实验的方法， 来确定终的网络深度。 总结：随着生活水平的不断提高，遥感影像即遥感技术 在人们的日常生活中扮演着越来越重要的角色，但在这门科 学技术的提升过程中也出现了很多的问题。本文主要结合基 于深度学习的各种方法，对遥感影像的分类进行了研究与分 析，希望能够对此类学科的发展提供理论帮助。