快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义, 激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性, 将LIF应用于煤矿突水的检测, 再结合模式识别算法, 可快速识别出突水来源。 目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库, 当突水水源不在该库中时, 易引发误识别。 无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息, 能降低对未知类别的误识别, 因此把DBSCAN算法用于突水的激光诱导荧光光谱识别, 并将MVO用于DBSCAN的参数寻优, 省去繁琐的人工参数寻优过程。 实验中, 从谢桥煤矿采水点获取四个水样, 利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱, 每种水样采集30组光谱数据。 首先, 利用无监督学习算法自动编码器(AE)对原始光谱数据降维, 以减少光谱数据中冗余信息对聚类的影响, 设计的AE的结构是介于浅层和深层之间的多层网络模型, 可将原始光谱数据降到2维; 为使降维模型具有稀疏性, 在传统的AE算法中加入一个Dropout层, 由实验可知, 加入Dropout层后的降维模型具有较快的收敛速度。 将多元宇宙优化(MVO)算法用于DBSCAN参数寻优, 在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%, 此时参数所对应的取值范围为［0.023 66 0.040 65］; 为验证AE对水样光谱数据降维的有效性, 把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%, 比降维后的后水样光谱识别率低了2.5%, 结果表明, 使用AE降维光谱数据, 可提高DBSCAN对不同光谱的识别率。 最后, 用监督学习算法K最近邻(KNN)识别降维后的水样光谱, 将识别结果和无监督学习算法DBSCAN的识别结果对比, 其中训练集选用三种水样, 测试集使用四种水样; 在测试集中, 监督学习算法只能准确地识别训练集所包含的水样类别, 但把训练集没有的类别全部识别错误, 而DBSCAN能准确的识别出训练集中没有的水样光谱。 非线性降维算法AE能实现对高维的水样光谱数据降维, 把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别, 可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

假酒的快速识别在食品安全领域具有重要意义,但现有的白酒检测技术无法既快速又准确地识别市售假酒。提出一种快速辨识白酒真假的方法,即利用激光诱导荧光技术获取待测白酒的荧光光谱,调整其大小后输入深度学习算法,进而辨识其真假。实验酒样选取4个样本,包括3个品牌的2种度数的白酒,每种酒样采集100个荧光光谱,然后从每种酒样的100个光谱中随机选取80个用于深度学习算法模型的训练,剩余20个用于测试训练好的模型。结果表明:品牌不同、度数不同的白酒,其荧光光谱都存在明显差异。在模型测试中,4种酒样荧光光谱的识别率为98.44%。激光诱导荧光技术结合深度学习能准确识别出白酒的品牌与度数。

提出了一种基于ZnTe碲酸盐玻璃的单芯光子晶体光纤偏振分束器.在外侧包层纤芯对称位置引入缺陷孔, 使缺陷模和纤芯基模发生耦合以实现光束分离.采用全矢量有限元法对所提出的单芯光子晶体光纤偏振分束器的特性进行研究, 结果表明: 该分束器可以实现1.3 μm和1.55 μm波长光的分离, 并使光束沿X和Y偏振方向同时传播;当光纤长度为15 mm时, 1.3 μm和1.55 μm处的串扰值分别低至-45.1 dB和-40.2 dB, 小于-20 dB的带宽分别为44.2 nm和67.1 nm;在传输波长1.3 μm和1.55 μm处的损耗值为0.063 dB和0.048 dB;偏振分束器在具有低串扰值的同时, 具有较低的限制损耗.