传统脉冲成形方法对堆积脉冲幅度计算存在的误差将会导致X射线荧光光谱失真，因此，在高堆积率背景下测量得到的光谱很难对光谱进行准确分析。本文提出一种基于深度学习的Transformer模型，该模型采用编码器-解码器结构，通过嵌入位置编码的多头注意力来估计堆积脉冲的幅度，并将其应用于高性能硅漂移探测器的辐射测量，以及X射线荧光光谱学分析。为了训练该模型，通过预定义的数学模型模拟得到探测器输出的脉冲信号，为了模拟真实的核脉冲，在信号中加入了与热噪声和散粒噪声相对应的高斯噪声。训练后的模型通过截取粉末铁矿样品和粉末岩石样品的实测脉冲序列进行验证，使用相对误差作为模型性能评估指标，对应于脉冲幅度估计的准确度。在粉末铁矿样品和粉末岩石样品的实验测量8组离线脉冲序列中，得到的平均相对误差为0.89%。结果表明：该模型能够实现堆积脉冲幅度的准确估计。

针对采用数字慢三角成形算法的高性能硅漂移探测器在开关复位型前放中出现的突变脉冲以及该类脉冲在成形后因幅度受损造成的特征峰漂移问题, 提出了一种基于突变脉冲修复的特征峰漂移校正算法, 该算法包括以下几个流程, 首先将该电路输出的弱电流信号经CR微分电路进行转换得到负指数信号, 然后负指数信号经三级放大电路放大后的幅度范围为0~2 V, 该幅度范围保持在后端模数转换器的处理范围中, 对放大后的负指数信号进行模数转换得到数字化的负指数脉冲序列, 通过对上述负指数脉冲序列的采样点进行判断, 当出现连续多个为零的采样点时就标记该脉冲为突变脉冲, 最后对突变脉冲分别调用快校正和慢校正算法进行修复, 并将修复后的负指数脉冲序列分别进行数字梯形成形, 其成形结果存储到FIFO中进行多道成谱。 实验以自制的铁矿样品为测量对象, 将未进行校正的原始谱与采用不同校正方法得到的谱图进行对比, 校正后铁和锶特征峰的影子峰所在道址区间的计数相比于未校正的原始谱的计数率有了明显的降低, 与此同时, 铁和锶两个特征峰所在道址区间的计数相比于不校正则有了明显的提高。 由于特征峰计数率的漂移正是产生影子峰的根本原因, 因此同一种元素在影子峰区域计数率的减小值与在特征峰区域计数率的增加值在数值上应趋于一致, 实验结果中铁元素的影子峰和特征峰所在区间快校正和慢校正前后的计数率差值基本符合这一趋势, 但锶元素影子峰和特征峰所在区间的快校正前后计数率差值相差较大, 不符合影子峰计数减小值即为特征峰计数增加值的规律。 造成这种结果的根本原因在于快校正对突变脉冲的修复不完整, 而慢校正可以较好地实现所有采样点的修复, 最后得出的修复效率也表明对于同样的区间, 慢校正法得到的修复效率更高, 对特征峰漂移的校正效果更好。 结果表明特征峰漂移校正算法可以有效地消除特征峰前面的影子峰, 实现对特征峰漂移的校正, 这对获取精细X射线谱具有重要意义。

We demonstrate a robust femtosecond LIDAR setup by using two free-running environmentally stable all-polarization-maintaining nonlinear amplified loop mirror mode-locked fiber lasers. Based on the asynchronous optical sampling method, a ranging accuracy of ±2 μm within 65 m has been achieved, as tested in an 80-m-long underground optical tunnel. Through the Kalman filter in real-time data processing, the measurement accuracy can be maintained at a 200 Hz update rate. This setup provides a practical tool for various large-scale industrial and astronomical ranging applications.