恒星的分类问题一直是天文研究的一大热点, 恒星的亚型分类对探究恒星演化、 稀有天体识别等具有重大意义。 针对LAMOST光谱亚型分类问题设计了SSTransformer (stellar spectrum transformer)分类模型, 该模型主要由三部分组成, 包括输入模块、 嵌入模块、 SST编码模块。 在输入模块中, 将光谱数据进行分块处理, 这些块经过线性投射层被映射为向量。 在嵌入模块中, 为了提取有用的数据特征, 将线性投射层的输出加入一个可学习的类别嵌入块, 为了保留位置信息, 再加入位置嵌入块, 之后将这些数据特征向量送入SST编码模块。 最后在SST编码模块中, 对数据特征进行提取处理, 并利用多层感知器结合新特征对恒星光谱进行分类。 采用的A、 F、 G、 K、 M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱, 35 256条一维光谱数据用于SSTransformer模型的训练, 8815条一维光谱数据用作模型的测试。 为了加快模型的收敛速度, 对数据采用Z-Score归一化处理。 由于是多分类问题, 实验采用了准确率、 精确率、 召回率、 F1-Score、 Kappa系数五个评价指标。 实验结果证明, 利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类, 分类准确率达到98.36%, 比支持向量机(support vector machine, SVM)算法、 极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法, 以及卷积神经网络(convolutional neural networks, CNN)的分类准确率更高。

对5-苯基-2-(4-甲氧基)-2H-1,2,3-三氮唑-4-羧酸乙酯(Ethyl 2-(4-methoxyphenyl)-5-phenyl-2H-1,2,3-triazole-4-carboxylate, 简称EMPC)进行了理论光谱及结构计算, 并与实验光谱作对比。设计合成了其罗丹明B衍生物REMPC, 用荧光和紫外吸收光谱法研究了REMPC与15种金属离子的作用, 在DMF(N, N-二甲基甲酰胺)-水溶液 (pH=7.4, 体积比1∶1)中, 肉眼可观察到REMPC仅对Hg2+有粉红色的快速显色反应, 使其在相应波长处的荧光强度及紫外吸收增强, REMPC与Hg2+的络合比为1∶2, 显色机理为Hg2+诱导REMPC中的罗丹明螺环开环。在HeLa细胞中的荧光成像实验表明: REMPC探针可成功用于生物体内的Hg2+标记。

为了克服光栅光谱仪分辨率低、像差较大、体积大的缺点,根据光谱仪工作原理和几何光学像差理论,设计了一种光谱范围为350～450 nm的Czerny-Turner光谱仪光学系统.计算了光学系统各光学元件的特征参量和系统结构参量.运用光学设计软件Zemax对系统进行光线追迹与优化设计,并对设计结果进行分析.理论和实验结果均表明,该系统在350～450 nm光谱范围内分辨率小于0.1 nm,系统体积约为105×105×20 mm3,整个光学系统具有结构简单、体积小、分辨率高、稳定性好等优点.

在光谱数据的定量分析中, 噪声的存在常常会影响结果的准确性。 为提高红外光谱分析精度, 需要对光谱数据进行去噪处理。 将一种光滑阈值函数和一种分层阈值选取方法应用到提升小波域光谱信号的去噪处理中, 并对提升小波重构信号进行中值滤波。 对某小麦品种的实测光谱信号, 添加信噪比为21.17 dB的噪声后采用该方法进行去噪处理, 并利用信噪比(SNR)、 均方根误差(RMSE)、 峰值平均相对误差(AREPV)以及峰位平均误差(AEPP)四项指标对去噪效果进行评价。 结果表明, 与软阈值法与硬阈值法相比, 该方法能更有效地去除光谱信号中的噪声, 保留光谱中的有用信息, 提高光谱信噪比, 降低均方根误差、 峰值平均相对误差以及峰位平均误差, 提高光谱的分析能力。