表面增强拉曼光谱(SERS)是将目标分子结合在纳米级粗糙金属表面, 使拉曼信号得到显著增强的技术, 具有灵敏度高、 不受水分干扰、 操作简单、 快速、 无损等优点, 现已成为食品、 化学和医学等领域的研究热点。 液体食品(如牛奶、 食用油、 饮料、 蜂蜜、 酒)是人类赖以生存、 日常生活中所不能缺少的食品, 其品质安全关系着消费者的身体健康和企业效益, 因此对液体食品品质安全进行快速、 实时检测具有十分重要的意义。 液体食品安全指标如抗生素残留、 农药残留、 色素、 非法添加剂等物质分子通常具有较强的拉曼活性, 利用SERS技术的“指纹”特性能够对液体食品中的痕量物质进行简单、 快速、 准确的定性、 定量检测分析。 与其他光谱技术相比, SERS技术不受水分干扰, 对水溶液样品基质(如牛奶、 饮料、 酒)的检测分析更为简单, 实现液体食品品质安全的在线实时检测更具潜力, 是液体食品品质安全检测领域一项极具应用潜力和应用前景的前沿分析技术。 文章简述了SERS技术的增强原理并对液体食品安全检测领域相关基底研究进行了总结, 聚焦于SERS技术在液体食品品质安全检测领域的应用研究现状, 重点从样品前处理方法、 基底类型和检出限三方面对液体食品相关品质安全指标(如油脂氧化、 抗生素残留、 农药残留、 葡萄酒产地辨别等)方面的新近研究工作和进展进行归纳总结; 讨论了SERS技术的优点与局限性, 以及面临的主要挑战和未来发展前景。

鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小， 肉眼难以观察， 因此对其早期识别仍然是困难的。 结合高光谱成像技术和Stacking集成学习算法， 实现了鸭梨黑斑病的潜育期识别检测。 首先， 获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像， 基于图像选取感兴趣区域（ROI）， 然后对提取的平均光谱数据进行一阶导数（FD）、 二阶导数（SD）、 标准正态变量变换（SNVT）及组合SNV-FD和SNV-SD预处理后， 采用竞争性自适应权重取样法（CARS）提取特征波长的光谱信息。 最后基于筛选出的特征信息分别建立最小二乘支持向量机（LS-SVM）、 K最邻近法（KNN）、 随机森林（RF）和线性判别分析（LDA）分类模型。 其中， 预测效果最好的组合为SNV-FD-LSSVM, SNV-KNN和SNV-FD-RF， 准确率分别达到94%， 88%和88%。 四种算法建立的模型中， 测试集准确率不低于85.00%的个数分别为5、 3、 2和0， 因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。 为提高模型准确率， 以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架， 并与单一分类器建模结果进行对比分析。 结果表明， 集成学习模型的总体识别正确率达到了98.68%， 较单一分类器模型提高了4.64%， 且对潜育期样品的识别率提高了11%。 证实了高光谱成像结合集成学习方法识别潜育期黑斑病鸭梨样品可行; 集成模型显著提高了单一模型的准确性; 为鸭梨黑斑病早期检测和病害分级提供一种新的方法， 同时为深入研究集成学习算法在光谱定性中的应用奠定了一定基础。

回生是淀粉加工、 运输和储藏过程中的重要理化性质, 快速检测淀粉回生程度对淀粉制品的品质和保质期有重要意义。 为了探究二维相关光谱法(2D-COS)优选回生淀粉特征变量的可行性, 研究结合2D-COS和光谱融合技术对小麦淀粉的回生特性进行定量表征。 首先, 将不同回生时间的小麦淀粉测定结晶度和回生度, 从淀粉体系中晶体含量和对淀粉酶水解抗性的角度表征淀粉回生特性。 然后, 分别采集样品的近红外和中红外光谱数据, 对采集的原始光谱进行Savitzky-Golay平滑和标准正态变量变换预处理后, 结合偏最小二乘法分别基于近红外光谱、 中红外光谱和融合光谱构建全光谱的预测模型。 在此基础上, 以回生天数为外部扰动, 分别选取回生0, 1, 2, 3, 5, 7, 10, 14, 21和35 d的10条淀粉光谱进行2D-COS分析。 通过分析同步谱和自相关谱, 辨识了近红外13个和中红外11个与回生特性有关的特征波长。 最后, 基于这些特征波长进一步建立回生度和结晶度的预测模型。 结果表明, 全光谱模型结果中, 光谱融合后的模型预测效果较好, 结晶度模型的相对分析误差(RPD)值由1.203 4和2.069 0提高至3.980 9, 回生度模型的RPD值由2.594 0和2.109 9提高至4.576 3, 表明光谱融合能提高模型性能。 利用2D-COS筛选特征波长后建立的模型预测效果有大幅度提高, 结晶度模型的RPD值提高至8.095 9, 回生度模型的RPD值提高至14.183 6。 与利用竞争性自适应重加权算法筛选特征波长建立的模型结果相比, 2D-COS更能提高光谱分辨率, 获得更多的化学结构信息, 因此光谱融合技术结合2D-COS的模型结果更佳。 研究结果表明, 将2D-COS用于筛选与淀粉回生特性有关的特征波长是可行的, 为融合光谱的特征变量优选提供了新思路; 同时也表明光谱融合技术结合2D-COS可以实现淀粉回生程度的快速检测, 为淀粉食品的质量和保质期的快速检测提供了方法支持。

在“剑光一号”上搭建了二极管平台, 理论估计了二极管阻值, 进行了平板二极管阻抗和束流分布测量实验。结合法拉第筒阵列测得的束流密度分布、粒子模拟 (PIC)仿真结果对二极管阻抗特性进行了全面的对比分析。结果表明, 二极管工作于弱箍缩状态, 阻抗阻值略低于估计值, 阻抗曲线、法拉第筒波形以及束流箍缩程度三者间存在高度的相关性。当阻抗曲线处在前端(导通前)和末期(崩溃段)时, 束流均处在未箍缩期间, 法拉第筒信号无有效数据; 阻抗曲线处在平区时, 二极管工作平稳, 束流箍缩情况和法拉第筒信号稳定, 阳极边缘处的法拉第筒波形呈现双峰, 与束流箍缩运动情况相符。

针对机载合成孔径激光雷达实测数据成像中旁瓣较高的问题, 提出一种新旁瓣抑制算法。压缩感知理论表明, 稀疏信号恢复重构过程的同时, 信号旁瓣会被压低, 但合成孔径激光雷达图像不是稀疏的。针对这一问题, 提出了一种基于改进SVA(Spatially Variant Apodization)和压缩感知重构SAL图像的旁瓣抑制算法。首先, 利用改进SVA算法将SAL图像变稀疏, 然后再利用压缩感知算法对稀疏图像进行恢复。分别对SAL仿真数据和实际高旁瓣SAL复图像进行抑制旁瓣处理。仿真结果表明: 该算法能够在保证主瓣不被展宽的前提下有效抑制SAL旁瓣。

以强流脉冲电子束为研究对象, 提出了一种基于离散时间、限定靶面位置, 通过测量靶面不同时刻入射角分布, 利用蒙卡程序计算得到电子束的能量(r,z)二维分布沉积值的方法。给出了典型弱箍缩平板二极管(电压峰值700 kV、阻抗7 Ω)阳极靶面不同位置时域的能量沉积值, 分析了(0,0°), (25 mm,135°), (36 mm, 270°)三个位置纵切剖面的能量沉积特性, 结果表明: 在各个时间段内电子束入射能量确定的情况下, 能量沉积特性与入射角呈现相关性, 仿真结果与实验结果符合较好, 偏差均小于10%; 距阳极靶心25 mm以外的靶面位置, 受束流箍缩影响, 入射角分布变化较大; 当入射角较小时(小于40°), 强流电子束能量沉积峰值深度约0.2 mm; 当入射角超过40°时, 能量沉积峰值深度减小到0.1 mm左右; 而阳极靶心位置附近, 受束流箍缩影响较小, 这些位置的能量沉积特性更接近于小角度入射角情形。

根据光通信的特点，提出一种基于脉冲位置调制（PPM）的低复杂度光空时网格码。该方案在发射端利用延迟分集思想，建立了信号在时间和空间上的关联性。在接收端采用反馈干扰抵消算法(FICA)，并对消除干扰后的信号进行最大似然判决来完成译码。该方案以牺牲发射分集的性能来换取译码复杂度的降低，从而降低了对系统计算能力的要求。以天线数为2和3为例，分析了该算法与Viterbi译码算法的计算复杂度。仿真结果表明，当分集增益相同时，相对于采用Viterbi译码算法的系统，所提方案的译码复杂度分别降低了93.75%和95.84%，而其误码性能的恶化仅为3 dB和4.77 dB。

空时网格码具有编码增益与频谱利用率高的特点, 针对强度调制直接检测(Intensity modulation/direct detection, IM/DD)方式, 提出了一种适合于大气激光通信的空时网格编码方案。该方案运用快速傅里叶逆变换(IFFT)的对称性以及加直流分量的方法解决了空时网格编码信号无法直接用于IM/DD链路传输MPSK信号的问题。之后, 通过蒙特卡洛方法分析了该方案在不同大气闪烁条件下的误码性能, 并对调制阶数和天线数对系统误码性能的影响进行了分析。结果表明: 所提方案能够有效抵御大气湍流所产生的闪烁效应, 其性能随天线数的增加而得到明显的改善, 并且在强湍流条件下表现出了更好的性能。