为了能够精准和快速地复现可见光波段自然光谱，实现全光谱照明，使用具有强大非线性拟合能力的神经网络完成光谱匹配。首先，利用全连接神经网络的自学习能力，在采用基于修正高斯分布拟合函数的多个单色LED合成光谱模型生成训练和测试数据集的基础上，构建充分体现合成光谱和各单色LED光强系数比例关系的神经网络模型，即该模型能够针对输入光谱得到对应的单色LED光强比例系数，进而实现光谱复现。其次，针对标准太阳光谱和实测得到的不同时刻、天气的自然光谱进行光谱复现，并与采用基于遗传算法的光谱复现方法得到的结果进行对比。结果表明，基于全连接神经网络的自然光谱复现方法能够以小于5%的误差实现标准太阳光谱和实测太阳光谱的匹配，证明可使用同一个训练模型在不改变单色LED数量和种类的条件下得到多种与目标光谱高度吻合的不同类型光谱。对比其他光谱匹配算法，所提方法的拟合速度提高了数倍，还具有稳定性高、调控灵活、操作简便等优势。

基于传统Gerchberg-Saxton(GS)算法和卷积神经网络(convolutional neural network,CNN),提出了一种利用液晶空间光调制器(LC-SLM)产生涡旋光束的方法。利用该GS-CNN方法,产生了具有不同拓扑电荷数的贝塞尔光束,进一步分析了所产生的涡旋光束的均方根误差(root mean squared error,RMSE)和衍射效率(diffraction efficiency),并与传统GS算法得到的结果进行了比较。结果表明,采用所提出的GS-CNN方法能够产生高质量的涡旋光束,相较于传统的GS算法,所产生的涡旋光束的光强与目标光强的差异更小,并且更多输入光场能量被衍射出来。

将Kmeans聚类算法和传统的K近邻(KNN)算法相结合,提出一种适用于能量自持续室内可见光定位(VLP)系统的融合算法。该算法兼顾低复杂度和高精度,在使用Kmeans聚类算法对专门设计的指纹库进行划分实现粗定位的基础上,使用KNN定位算法进行精准定位。将所提Kmeans-KNN融合算法引入到搭建的能量自持续VLP系统,分析不同条件下系统的定位性能。结果表明,与传统KNN定位算法相比,采用Kmeans-KNN融合算法后,系统的平均定位误差位为0.141 m,定位精度明显提高,同时算法计算量减少了94.7%,系统耗能因此大幅降低,利于VLP系统高精度能量自持续定位的实现。

利用有限元法研究了弱耦合偏芯少模光纤高阶模式的模场特性、隐失场特性及弯曲损耗。分析了光纤参数对相邻模式之间最小有效折射率差的影响,并对偏芯光纤进行优化,使其支持10个线偏振模式且满足弱耦合条件;此外,研究了波长为1550 nm条件下,10个线偏振模式的功率分布和弯曲损耗。研究结果表明,在整个C波段,相邻模式之间最小有效折射率差均大于10 -4;且该光纤在高阶模态下表现出更强的隐失场强度、更高的传感灵敏度和更大的弯曲损耗,同时可以区分特定的弯曲方向。这些研究结果对于提高传感器灵敏度有潜在的应用价值。

针对正交频分复用系统中峰值平均功率比过高的问题，提出了一种基于限幅技术的改进算法.该算法对限幅后的信号进行标记，并将标记序列发送到接收端，从而使得接收端能够正确的解调出输入信号.此外，本文还将该改进算法应用于光载无线通信系统中.仿真结果表明，与传统限幅算法相比，改进算法能够明显降低系统的误码率，同时保证良好的抑制峰均比的性能.

仅部分节点具有组播能力的光网络称为稀疏分光网络，基于网络性能和成本的考虑，网络常为稀疏分光配置。稀疏分光网络中组播路由主要解决如何为多点传送的组播业务请求寻找合适的光树或光森林的问题。在综合分类的基础上，文章重点对目前稀疏分光网络中的组播路由机制和相关算法进行分析和总结，并对未来工作进行了展望。

针对自动交换光网络光路建立过程中存在的安全威胁，提出了一种高效的安全光路建立协议.该协议使用综合的波长预留策略，通过数字签名和消息反馈等安全机制，对GMPLS RSVP-TE消息中的重要对象进行完整性保护，并可防止内部节点的恶意或自私行为.另外，考虑到自动交换光网络中路由模块和信令模块强耦合的特点，采用OSPF-TE的PKLSA消息分发光路建立协议中所需的节点公钥证书.经仿真实验及分析表明，该协议在保证光通路安全建立的同时，在连接阻塞率、光通路建立时间和消息负载方面都优于原有的RSVP-TE信令协议.