在对图像位移进行测量时，不同亚像素位移迭代算法的性能不同，将反向组合对角近似算法和反向组合Dog-Leg算法用于数字图像相关法并进行位移测量，同时对反向组合Levenberg-Marquardt算法的参数更新策略进行简化，以反向组合高斯牛顿（IC-GN）法作为对比，通过模拟散斑图像和真实散斑图像的压缩变形实验，对3种算法的性能进行对比，并进行相应的评估。实验结果表明：在模拟散斑实验中，各个算法在收敛速度、收敛频率和计算速度上各有不同；在真实实验下，小变形实验得到与IC-GN法相似的精度，大变形实验得到的收敛半径更大。

为了实现库尔勒香梨依据可溶性固体含量(SSC)分级定等和按质论价, 推动采后处理向标准化、 产业化方向健康发展, 利用高光谱成像技术研究出了一种快速、 有效、 无损检测库尔勒香梨SSC的方法。 以表面无损伤的157个库尔勒香梨作为研究样本, 应用高光谱成像采集系统获取400~1 000 nm波长范围内高光谱图像并用ENVI5.3软件提取感兴趣区域(ROI), 获得高光谱数据。 采用Kennard-Stone(KS)样本集划分方法将全部样本按照2∶1的比例划分为校正集(105)和预测集(52)。 对比标准变量变换(SNV)、 多元散射校正(MSC)、 一阶导数(FD)和二阶导数(SD)等数据预处理方法对建模精度的影响, 最终选用SNV方法对光谱曲线进行平滑去噪。 该研究提出竞争性自适应重加权算法与平均影响值算法的组合算法(CARS-MIV)选择特征波长。 在竞争性自适应重加权算法(CARS)方法中, 建模样本由蒙特卡罗算法随机选择生成, 变量回归系数会随之发生变化, 因而回归系数的绝对值不能全面反映变量重要性, 从而影响模型检测精度。 为降低这种影响, 应用平均影响值(MIV)算法对选出的自变量进行二次筛选, 筛选出相关性较大的变量用以建模分析, 并与CARS、 连续投影算法(SPA)、 蒙特卡罗无信息变量消除算法(MCUVE)等经典特征波长选择算法进行比较。 最后分别以全波长(FS)光谱信息和四种特征波长选择方法得出的光谱信息作为输入矢量, 应用支持向量回归(SVR)建立库尔勒香梨可溶性固体含量定量预测数学模型, 以校正集相关系数(Rc)、 校正集均方根误差(RMSEC)、 预测集相关系数(Rp)和预测集均方根误差(RMSEP)四个参数来评估模型的预测精度。 比较分析发现, CARS-MIV-SVR模型效果最佳, 校正集相关系数(Rc)为0.985 94, 预测集相关系数(Rp)达到0.946 31, 校正集和预测集均方根误差分别为0.185 85和0.403 33。 结果证明: CARS-MIV特征波长选择方法能够有效增强库尔勒香梨光谱数据特征波长选择的稳定性和精确性, 提高模型的预测精度。 利用高光谱技术结合CARS-MIV-SVR模型能够满足库尔勒香梨可溶性固体含量测定需求, 实现库尔勒香梨的分级定等和按质论价。

依据光学薄膜理论, 建立膜系优化评价函数, 利用软件优化膜系, 实现0°-75°入射宽光谱P光分光膜的设计.选择H4和MgF2作为高低折射率材料, 采用电子束及离子辅助沉积技术, 来制备该分光膜.通过对膜层厚度误差分析, 用晶控片单独控制相对敏感度较高的膜层, 解决了薄膜制备过程中不能精确控制膜厚误差的问题.运用逆向分析法对实验测试结果进行模拟分析, 通过改变膜厚修正因子, 使P光透射光谱曲线更加平滑.光谱测试表明P光垂直入射平均透过率为60.3%, 满足系统使用要求.

研究了斜率和曲率混合型区域波前重构算法, 提出了通过减小重构方程的截断误差来提高波前重构精度。利用泰勒展开推导了波前值、波前斜率和曲率值三者间的数学关系, 得到了截断误差为相邻两波前测量点间距五次方的重构方程。将该方程用于波前重构中, 提出了一种新的斜率和曲率混合型波前重构算法。通过重构仿真对比了该混合型算法与现有混合型算法的波前重构误差。结果表明, 在忽略测量噪声的情况下, 提出的算法将相对重构误差降低了约两个数量级; 在考虑测量噪声的情况下, 提出的算法在对高阶像差的重构时, 具有更小的相对重构误差。提出的高阶截断误差的混合型波前重构算法较现有的混合型算法需要的计算量更小, 更利于实时波前重构。

OLED即有机发光显示技术，是一种全新的显示技术，其具有更薄、更轻、主动发光(即不需要背光源)、广视角、高清晰、响应速度快、低能耗、低温和抗震性等优点。文章通过介绍OLED平板显示的技术特点、专利技术现状及未来的发展前景，让我们对这种新平板显示技术有一个全新的认识，并对OLED技术有一个全面了解，避开专利技术壁垒，抓住机遇，实现传统CRT（阴极射线管显示器，cathode ray tube）显示产业成功转型。