高分系列卫星的发射和无人机高光谱技术的发展， 高光谱可用数据进一步扩展。 为了提升高光谱数据的精细利用价值， 高光谱影像混合像元解混成为当前至关重要的任务。 随着人工智能技术的快速发展， 深度学习理论被引入遥感图像处理领域。 自编码网络具有较强的特征提取能力， 已经开始应用于高光谱影像解混方面。 以自编码网络为基础对其结构进行改进， 提出一种深度堆栈自编码网络（DSAE）用于高光谱图像解混研究。 该网络包含两个部分: 端元识别网络（EDSAE）和丰度求解的网络（ADSAE）。 首先， 通过添加批标准化处理、 稀疏约束、 “和为一”约束以及删除网络偏置项构建EDSAE网络， 开展非监督训练进行高光谱影像端元识别。 其次， 将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强， 生成多元混合的带有丰度标签的模拟高光谱数据集。 最后， 在堆栈自编码网络基础上， 设置最后一层自编码器的激活函数为Softmax函数， 构建监督训练网络ADSAE， 把模拟数据集作为训练数据， 高光谱影像作为测试数据， 求取真实高光谱影像的丰度矩阵。 对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验， 基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。 结果表明: 对3组真实的高光谱影像开展解混， DSAE方法在端元提取方面相比于其他5种方法， 具有最优精度; 在丰度求解方面， 基于HAPKE模型生成的模拟数据集， 利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵， 相比于LINEAR模型和FCLS方法， 均具有最优的丰度反演结果。 DSAE方法具有较好的稳定性和鲁棒性， 为高光谱影像定量研究提供了新的思路。

功能性便秘是近几年比较常见的一种肠道疾病。越来越多的证据证明一些生物源功能活性物质对于治疗便秘有积极的疗效。螺旋藻富含多糖化合物, 且具有广泛的生理功能。本文分析不同剂量螺旋藻多糖(PSP)对地芬诺酯诱导便秘小鼠的治疗效果, 检测各组小鼠的体重、首次排便时间和数量、肠道酶活性, 菌群组成以及相关功能基因表达等。结果显示, PSP低、中、高剂量组小鼠六小时内排便数量都显著增加(P<0.05), 且首次排黑便时间缩短。同时, 小鼠的体重增长没有受到显著影响。PSP治疗后, 便秘小鼠肠道内木聚糖酶和蛋白酶活性恢复到正常组水平(P<0.05)。此外, PSP处理改变了便秘小鼠肠道主要微生物菌群组成, 上调了一些有益功能基因的丰度, 从而达到缓解便秘的效果。PSP处理上调KO0845(葡萄糖激酶)丰度水平, 能维持机体血糖平衡。这些发现表明, PSP饲喂处理可显著改善小鼠肠道微生态, 缓解小鼠便秘病症, 为解决慢性便秘提供一种有效的食疗方案。

主要研究了一种新的基于ELM算法的中低分辨光谱的恒星Mg元素丰度估计方法。 大科学工程郭守敬望远镜(LAMOST)为我们提供了海量的中低分辨率的光谱, 确定这些光谱的Mg元素丰度将有助于我们深入了解银河系的形成历史和演化过程。 目前从中低分辨率光谱中确定Mg元素丰度的方法主要是模板匹配法, 但该方法算法复杂, 优化参数较为困难且对噪声敏感, 因此有必要研究新的方法。 实验结果显示, ELM算法对MILES光谱的Mg丰度的估计的精度为0.009 9(0.15)dex, 而对信噪比大于50的LAMOST光谱的精度为0.002 7(0.11)dex。 通过与其他算法进行对比, 证实ELM算法是一种能精确估计中低分辨率光谱的Mg元素丰度的算法, 能够应用于LAMOST后期的光谱数据中。

光谱解混可以有效提升高光谱图像的利用效率。非负矩阵分解(NMF)常用于寻找非负数据的线性表示,可以有效解决混合像元问题。基于丰度的稀疏性和图像局部不变性提出一种高光谱解混算法。对丰度采取稀疏性约束和基于拉普拉斯矩阵的图正则项约束,构造了一个新的目标函数,端元和丰度在经过若干次迭代后取得了较好的解混合结果。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明所提算法具有良好的解混性能。

高光谱遥感图像的非线性光谱解混能弥补线性方法难以解释复杂场景中非线性混合效应的不足, 而双线性混合模型及算法是其研究的热点.提出了一种基于双线性混合模型几何特性的光谱解混算法.通过将模型中的非线性混合项表示为一个融合了共同非线性效应的额外端点的线性贡献, 使复杂的双线性混合模型求解转化为简单的线性解混问题.然后结合传统的线性解混算法直接迭代估计正确的丰度.模拟和真实遥感图像数据的实验结果表明, 与其它相关解混方法相比, 该算法能较好地克服共线性效应以及拟合优化过多参数对双线性混合模型求解造成的不利影响, 同时提高了解混的精度和速度.

丰度估计(AE)是从高光谱图像中识别地物的关键预处理技术.鉴于线性混合模型的可解释性以及数学上的可操作性,带约束的线性回归技术在丰度矩阵估计中备受关注.目前,这类方法存在的缺陷是其拟合过程中仅仅考虑到估计数据与真实数据之间的拟合误差,忽略了估计数据的结构与真实数据的结构之间的相似性信息.因此,提出了融合结构信息的线性回归模型,并应用于稀疏低秩丰度矩阵估计领域.首先,通过增加结构信息改进传统的带约束的线性回归模型,并经数学理论证明了增加结构信息的模型较传统模型更加有效；其次,应用该方法改进稀疏低秩丰度估计的数学模型；最后,采用交替乘子法(ADMM)技术求解新模型.实验结果表明,融入结构信息的稀疏低秩丰度估计算法能够有效地提高仿真数据和实际高光谱数据的丰度估计的估计精度,改善其抗噪性能.

应用中国科学院云南天文台丽江天文观测站1.8 m望远镜及其折轴光谱仪, 对18颗近太阳样本恒星进行了高色散光谱观测, 获得这些恒星高质量的高色散光谱。 表明原中国科学院国家天文台兴隆观测站2.16 m折轴光谱仪搬迁、 改造获得成功, 达到并超过了预期的效果。 以丽江天文观测站1.8 m望远镜及其折轴光谱仪观测获得的高质量的高色散光谱为基础, 应用高斯拟合方法测量了样本中17颗年轻类太阳恒星锂吸收线的等值宽度, 并计算了锂元素丰度。 应用Hall给出的经验公式, 计算了这些年轻恒星的Ca ⅡΗ和Κ(λ=395.0 nm)辐射强度。 讨论了锂元素丰度和表明恒星色球活动的Ca H和K线辐射强度之间的关系。 发现锂元素丰度值高的年轻恒星, 其Ca H和K线辐射更强。 考虑到恒星自转速度随恒星年龄的变化, 小质量主序前恒星随着恒星年龄的增加, 自转明显的加快; 主序恒星随着恒星年龄的增加, 自转逐渐变慢。 我们的结果支持恒星自转越快, 其活动性也就越强, 以及色球活动较强的恒星具有高的锂元素丰度值。

主要研究了一种新的基于LASSO算法的恒星α元素丰度估计方法。 海量恒星的α元素（O, Mg, Si, Ca 和Ti）丰度信息将有助于我们了解银河系的演化进程。 但目前从中低分辨率光谱中确定α元素丰度的方法主要是模板匹配法, 但该方法算法复杂, 优化参数较为困难且对噪声敏感, 因此有必要研究新的方法。 实验结果显示, LASSO算法对ELODIE光谱的α丰度的估计精度为0.003（0.078）dex。 为验证光谱分辨率变化对LASSO算法结果的影响, 我们首先用ELODIE光谱通过高斯卷积得到了分辨率为42 000, 21 000, 10 500, 4 200和2 100的光谱, 然后使用LASSO算法估计α元素丰度, 精度分别为0.003 3（0.078）dex, -0.05（0.059）dex, -0.007（0.060）dex, 0.008 0（0.069）dex和-0.004 5（0.067）dex。 上述结果证明LASSO算法对分辨率变化不敏感。 为验证LASSO算法对信噪比变化的鲁棒性, 使用ELODIE光谱分别构造了信噪比为30, 25, 20, 15和5的光谱。 LASSO算法在上述数据集上的精度分别为-0.002(0.076)dex, -0.09(0.073)dex, 0.003 6(0.075)dex, 0.007 6(0.078)dex 和-0.009(0.08)dex, 因而LASSO算法对信噪比变化不敏感。 因此, LASSO算法适用于低分辨率低信噪比的LAMOST和SDSS光谱。 LASSO算法在SDSS光谱上的估计精度为0.003 7（0.097）dex, 而在球状星团和疏散星团成员星上的结果显示LASSO算法给出的丰度与文献给出α丰度值误差在1σ以内。 因此, LASSO算法能够用于估计恒星的α元素丰度。

在机组运行过程中,硼表硼浓度与化学分析硼浓度会出现一定偏差,根据秦山第二核电厂几台机组的实际运行数据整理出该硼浓度偏差的具体数据,并通过对比对应时间内的10B丰度变化情况,分析10B丰度变化对该偏差的影响,得出该偏差主要是受10B变化的影响且在机组寿期中达到最大的结论,并针对该现象对机组运行提出建议。同时采用ORIENT对考虑了10B丰度变化的理论硼浓度进行计算,并通过与化学分析硼浓度的对比得出该计算结果是可靠的,由此可以更加准确地预测、跟踪计算堆芯硼浓度的变化。