近红外光谱分析技术在土壤含水率预测方面具有独特的优势, 是一种便捷且有效的方法。 卷积神经网络作为高性能的深度学习模型, 能够从复杂光谱数据中自主提取有效特征结构进行学习, 与传统的浅层学习模型相比具有更强的模型表达能力。 将卷积神经网络用于近红外光谱预测土壤含水率, 并提出了有效的卷积神经网络光谱回归建模方法, 简化了光谱数据的预处理要求, 且具有更高的光谱预测精度。 首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理, 通过主成分分析减少光谱数据量, 并将处理后的光谱数据变换为二维光谱信息矩阵, 以适应卷积神经网络特殊的学习结构。 然后基于卷积神经网络算法, 设置双层卷积和池化结构逐层提取光谱数据的内部特征信息, 并采用局部连接和权值共享减少网络参数、 提高泛化性能。 通过试验优化网络结构和各项参数, 最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型, 并与传统的BP, PLSR和LSSVM模型进行对比实验。 结果表明在训练样本达到一定数量时, 卷积神经网络的预测精度和回归拟合度均高于三种传统模型。 在少量训练样本参与建模的情况下, 模型预测表现高于BP神经网络, 但略低于PLSR和LSSVM模型。 随着参与训练样本量的增加, 卷积神经网络的预测精度和回归拟合度也随之稳定提升, 达到并显著优于传统模型水平。 因此, 卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测, 且在较多样本参与建模时取得更好效果。

根据现有磁体条件和工艺设计了一过渡区较长的倒向磁场系统，其主磁场为0.396 T，反向磁场为-0.033 T，并给出了一种实用8 mm三次谐波潘尼管电子枪的设计结果。该大回旋电子枪工作在43.5 kV，1.45 A下，阴极可置于轴向磁场幅值渐减区域。该结构电子枪不追求在通过反转点之前形成薄的环形电子束，不利用突变倒向磁场，不需要刻意控制磁力线与电子注包络走向的一致性，显著降低了调试的难度和要求。最终优化所得电子注的纵向速度零散为4.78%，偏心率为7.18%，速度比高达2.2，而速度比的零散仅为4.88%，满足三次谐波潘尼管的要求。经大信号模拟计算，在该电子枪驱动下，潘尼管器件功率可达31.9 kW，效率高达49.4%，总体参量仍具有吸引力且建立在可实现的电子光学系统基础上。