近年来, 基于深度学习的模型在高光谱图像(HSI)分类方面效果显著。 针对小样本数据基于深度学习的高光谱图像分类方法分类精度不高的问题, 提出一种融合卷积长短期记忆(ConvLSTM)和多注意力机制网络的高光谱图像分类方法。 该方法分三个分支: 光谱分支、 空间X分支和空间Y分支分别提取光谱特征、 空间X特征和空间Y特征, 并将三个方向的特征融合进行高光谱图像分类。 由于ConvLSTM在学习有价值的特征和对光谱数据中的长期依赖关系建模方面表现出良好的性能, 所以在光谱分支中用了3个隐藏层、 卷积核大小为3×3、 通道分别为150、 100和60提取光谱信息。 在空间X分支和空间Y分支, 采用基于DenseNet和3D-CNN的Dense空间X块和Dense空间Y块分别提取空间X特征和空间Y特征。 为了增强特征提取, 在这三个分支中还分别引入了其特征方向的注意力机制, 针对信息丰富的光谱波段设计了光谱注意块, 信息丰富的像素点分别设计了空间X和空间Y注意块。 在三个公开的高光谱数据集上进行了实验, 即Indian Pines(IP)、 Pavia University(UP)和Salinas Valley(SV)数据集; 并对比了其他五种方法: 基于RBF径向核的支持向量机模型(SVM)、 更深更广的卷积神经网络模型(CDCNN)、 快速密集光谱-空间卷积网络模型(FDSSC)、 空谱残差网络模型(SSRN)、 双分支双注意力机制网络模型(DBDA)。 实验中, IP数据集上训练样本和验证样本的大小设为总样本的3%, UP和SV数据集上训练样本和验证样本的大小设为总样本的0.5%。 该方法和所有基于深度学习的方法, 批处理大小均设置为16, 优化器设为Adam, 学习率设置为0.000 5, 并动态调整学习率。 由于SVM直接利用光谱信息进行分类, 输入样本块像素大小为1×1, 其他基于深度学习方法的输入样本块像素均设置为9×9。 实验结果表明, 该方法能充分利用高光谱图像的光谱和空间特征, 在OA、 AA、 KAPPA等评价标准上均获得了更好的效果, 其中, 该方法的OA指标比次优的算法平均提高0.12%～2.04%。

液体环境中激光诱导击穿光谱（LIBS）包含等离子体辐射和膨胀、冲击波传输及气泡演化等过程，对其进行全过程时间分辨观测有助于理解液相LIBS物-化过程，并提高LIBS分析性能。为此，采用激光透射探针（LBTP）测量方法，通过连续氦氖激光器和光电探测器相结合，实现对单次LIBS过程中激光/等离子体辐射与冲击波/气泡演化的全过程时间分辨诊断。在不同激光脉冲能量激发下，比较同步采集的LBTP信号与LIBS信号，证明了LBTP信号负峰面积与LIBS特征峰面积之间存在较强的相关性（R²>0.99）。在此基础上，对于不同浓度的碱金属离子水溶液，利用偏最小二乘回归（PLSR）法建立了LBTP信号对光谱特征峰面积相对偏差的回归模型，实现了LIBS信号波动校正。

根据米散射理论,设计了以532 nm激光器为光源、CCD为探测器的极化浊度计。对粒径为2 μm的聚苯乙烯标准粒子(PSL)进行检测,得到了PSL的散射相函数,将其与偏振角为0°和90°的2 μm球形粒子的理论散射相函数进行对比,拟合度分别达到87.3%与88.4%。采用Chahine迭代算法反演得到PSL的粒径为1.94 μm,接近其真实值。将极化浊度计与宽范围颗粒粒径谱仪和扫描电镜的检测结果进行对比,结果表明,该装置检测精度高,且不受人为主观因素影响,对颗粒粒径的准确检测有重要意义,在相关领域应用前景较好。

采用连续波半导体激光器为发射光源, 以电荷耦合器件(CCD)与鱼眼镜头为探测器, 设计了一套测量大气分子与气溶胶散射光成像的极化浊度计装置。该装置可实时观测大气样品的散射图像, 散射角观测范围为14°~162°, 极化角观测范围为0°~360°。利用该装置分别对氮气与水汽进行实时观测, 得到其散射图像, 其中氮气的散射光与瑞利散射理论相吻合, 不同极化角的散射光强与理论值的拟合优度为98%, 而水汽散射光随散射角的变化趋势与米氏散射理论的一致性较好。结果表明本装置在定量观测气溶胶散射光方面有潜在的应用价值。