随着光纤通信和光网络技术的快速发展, 产生和控制色散在许多光学应用中都非常重要。着重介绍了3种产生色散的新型方法的原理、近期发展情况和优缺点, 包括基于模式色散的色散系统、基于电子诱导透明的色散系统和基于实时傅里叶变换的等效色散系统;分析了目前产生色散技术所普遍存在的困难, 对其发展趋势进行了展望, 同时探讨了不同产生色散的技术在光信息处理技术的应用前景。

为了提高光纤弯曲传感器的灵敏度, 增大线性范围, 降低成本, 本文提出一种基于深度神经网络分类塑料光纤弯曲角度及方向的方法。使用进行侧抛增敏处理的塑料光纤, 在光纤输出端采集不同弯曲角度的散斑图。制作了包含五类弯曲角度的数据集一以及包含七类弯曲角度的数据集二, 在预处理图像数据之后, 利用多层卷积神经网络对散斑图像进行卷积和池化处理, 得到散斑图像的特征图, softmax分类器用来得到分类准确率, 最后对两种不同卷积神经网络模型的分类效果进行对比。结果显示: 数据集一光纤弯曲的角度间隔为5°时分类准确率达到了96%, 理论和实际分析结果表明该方案识别率较高, 基于该方法有望实现一种简单、高效的光纤弯曲传感器。

搭建实验平台,把26个字母的图像传入光纤,并在输出端采集散斑图。把散斑图展开到HSV色彩空间中,单使用V分量进行分类能达到不错的分类准确率,且能缩减训练时长。在预处理后,分别使用具有不同层数卷积结构的神经网络、卷积神经网络和支持向量机(CNN+SVM)算法、SVM算法对散斑图进行分类。测试结果发现,使用4420张散斑图作为训练集,3层卷积结构的神经网络的识别准确率为88%,4层卷积结构的神经网络的识别准确率为95%,CNN+SVM算法的识别准确率为98%,而SVM算法的识别准确率达到了100%。实验结果表明,把机器学习算法应用在光信号上,同样可以对多模光纤散斑图进行分类,当图像特征相对明显时,直接使用SVM算法对光纤输出散斑进行识别,可以大大提升多模光纤输出散斑图的识别准确率。

针对Ziegler-Natta/茂金属复合催化剂基于Spheripol工艺制备的聚丙烯釜内合金的初生粒子中存在的两种外观形貌的粒子, 采用红外光谱(FTIR)、 核磁共振(NMR)、 扫描电镜(SEM)、 偏光显微镜(POM)、 热分析(DSC)和力学性能测试等方法对白色和半透明的初生态树脂粒子进行了组成、 结构和力学性能的比较研究。 FTIR, NMR和SEM结果表明, 两者外观形貌的差异主要是二段聚合中乙烯-丙烯共聚物的含量和分布不同。 DSC和POM结果表明, 乙烯-丙烯共聚物的存在使半透明粒子中聚丙烯的结晶速率高于白色粒子。 力学性能测试结果表明, 由于乙烯-丙烯共聚物含量少, 白色粒子的冲击韧性明显低于半透明粒子, 但拉伸强度和弯曲模量明显高于半透明粒子。 并基于聚合工艺提出了两种初生粒子形成的可能机理。