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。

系统地研究了小注入电流（＜4 mA）下InGaN/GaN多量子阱结构蓝光发光二极管的发光光谱特性在老化过程中的变化。 对比老化前后的电致发光（EL）光谱， 发现在注入电流1 mA下的峰值波长（peak wavelength）和半高宽（FWHM）随老化时间增加而减小， 变化过程分两个阶段： 前期（＜100 h）减小速度较快， 而后逐渐变缓， 呈现出与LEDs的发光光功率一致的变化规律， 说明LEDs的等效极化电场在老化过程中减弱， 这一变化和量子阱内缺陷的增加有明确的关系。 通过电学特性测量发现同一结电压（Vj=1.8 V）下的结电容Cj和由交流小信号I—V方法计算得到的注入电流1 mA下的结电压Vj随老化时间增加而增大， 明确了在同等小注入电流下量子阱内的载流子浓度随老化过程增加。 分析表明在老化过程中InGaN/GaN 多量子阱结构蓝光发光二极管量子阱内的缺陷及其束缚的载流子数量增加， 形成了增强的极化电场屏蔽效应， 减弱的等效极化电场导致了量子阱的能带倾斜变小， 带边辐射复合能量增大， 能态密度增多， 对应的发光过程的峰值波长变短（蓝移）， 半高宽变窄。

提出了一种可用于制作高反射率纯幅度取样光纤光栅的拼接技术方案，并对拼接误差和拼接次数对取样光栅光谱特性的影响进行了详细的理论分析和研究。理论分析结果表明，采用拼接技术可以获得良好的多波长取样光纤光栅反射谱，拼接误差对取样光栅反射谱的影响主要取决于拼接次数。在拼接三次时，可接受的拼接误差仅为±0.1μm；但在只拼接一次的情况下，拼接误差达±5μm时仍可获得良好的多波长反射谱。

通过求解修正的基于k·p方法的有效质量哈密顿方程并与泊松方程进行自洽, 得到在极化效应影响下InGaN/GaN多量子阱的能带结构和自发辐射谱。计算结果表明, 极化效应使InGaN/GaN多量子阱结构的带边由方形势变成三角形势, 使导带和价带间的带隙宽度减小导致发光峰值波长红移, 并使电子和空穴的分布产生空间分离从而减小发光效率。同时, 随着InGaN/GaN多量子阱结构阱层In组分的增多或阱层宽度的增加, 极化效应带来的发光峰值波长红移效果进一步增强。