提出了一种X波段过模低磁场高效率相对论返波管振荡器（RBWO），其主要结构包括一个双谐振腔反射器、一个周期性慢波结构和一个插入式同轴内导体模式选择器。该RBWO采用了过模结构，较大的过模比带来了更高的功率容量。慢波结构分为空心与同轴两部分，插入同轴避免了高阶模式的竞争，使两段慢波结构分别工作在TM₀₂和同轴TM₀₁模式下。同时，插入同轴还起着模式转换的功能，将TM₀₂转化为TM₀₁，最终在输出波导中输出纯TM₀₁模式。双谐振腔反射器使慢波结构在过模条件下与二极管区域能够实现良好隔离，同时为电子束提供足够的预调制，实现在低磁场下较高的微波转化效率。利用粒子模拟仿真对器件进行优化设计，在二极管电压850 kV、束流11.74 kA、引导磁场0.63 T的条件下，获得了3.5 GW的微波输出功率，微波中心频率为9.46 GHz，转换效率约为35%。

近红外光谱（NIRS）技术在作物种子品种鉴别上具有一定的可行性, 但如果待测种子的存储时间不同, 识别模型的准确性会受到影响。 为了降低存储时间对识别模型的影响、 提高模型的预测能力, 将NIRS技术与图像处理技术相融合, 提取出与品种生理生化指标相关的光谱特征和与品种相关的表观图像特征。 为了提取出最优的光谱特征, 首先提出一种改进的后向间隔偏最小二乘（IM_BiPLS）光谱区间选择算法。 针对BiPLS分段数难以确定的问题, 让分段数在一定范围内变化, 以每个分段数所取得的组合区间建立模型的相关系数和交叉验证均方根误差之比作为评价指标, 该指标最大时的分段数所对应的波段组合为最优。 然后使用竞争自适应重加权法（CARS）去除IM_BiPLS所选波段中的无信息变量和共线性变量实现光谱特征优选。 为了提取与品种相关的表观图像特征, 首先使用基于最大熵和双重区域标记的图像分割算法完成不感兴趣区域去除和单粒种子图像分割; 然后提取单粒种子的形态、 纹理和颜色特征并计算出每个图像样本所有种子的统计平均特征。 最后使用CARS对这些特征进行深层次优选完成图像特征提取。 以10个黄色玉米品种为研究对象, 采集216个样本的NIRS数据和对应的图像。 针对光谱数据, 使用IM_BiPLS算法从全谱1 845个变量中选出了具有736个变量的波段组合, 使用CARS进一步从中优选出光谱变量29个。 针对图像数据, 提取出图像特征29个, 使用CARS进一步优选出图像特征11个。 分别以IM_BiPLS提取的光谱特征波段、 IM_BiPLS-CARS优选的特征波长、 图像特征(Image)、 CARS提取的图像特征(Image-CARS)以及IM_BiPLS-CARS优选的特征波长融合CARS提取的图像特征（Compound）为输入, 以样本对应的类别为输出, 建立BP神经网络模型。 测试结果表明Compound-BP模型的性能最佳, 训练准确率和验证准确率均为100%, 测试准确率为97.7%。 实验结果说明NIRS特征融合图像特征可以有效地提高识别模型的精度, 降低存储时间对模型的影响, 为实现玉米种子品种的无损、 快速、 精确识别提供参考。

为了解决掺铒光纤放大自发辐射宽带光源的自然输出光谱中单峰造成的窄带宽问题,采用双程、后向光源结构消除抽运光输出,同时外接未抽运掺铒光纤以展宽可用带宽,进行了理论分析和实验验证;研究了掺铒光纤长度和光纤反射镜反射系数对光源输出光谱的影响,分析了外接未抽运掺铒光纤的长度对光源带宽的优化效果。结果表明,随着掺铒光纤长度的增加,放大自发辐射光谱C波段逐渐降低,L波段逐渐抬升; 随着反射镜反射系数的增加,放大自发辐射光谱带宽提高; 此外,当抽运掺铒光纤和外接未抽运掺铒光纤的长度分别为6 m和2 m时,放大自发辐射宽带光源输出带宽为50.31 nm,和未采用外接掺铒光纤时相比,带宽增加44 nm。上述研究结果可为宽带光源的性能优化提供参考。

为了获得稳健的近红外光谱模型, 采用变量选择结合模型更新的方法, 以240个红富士苹果为对象, 取得近红外漫透射光谱和糖度数据, 建立偏最小二乘回归模型, 对苹果糖度含量进行预测, 并采用后向区间偏最小二乘法和竞争性自适应重加权算法, 对建模变量进行了选择, 通过将新批次中的一些样品加入到旧批次中重新校准来实现模型更新。结果表明,变量选择可以提高模型性能, 预测决定系数提高到0.7915, 预测均方根误差降低到0.5810, 预测偏差降至0.2627;结合模型更新策略, 可以进一步降低预测均方根误差和预测偏差;仅使用20个样品进行模型更新已经明显改善了模型性能, 预测决定系数提高到0.8506, 预测均方根误差降到0.4358, 预测偏差降到0.1045。这一结果对于多种水果建立稳健的近红外光谱模型是有帮助的。

在近红外光谱分析中, 将近红外光谱和浓度信息建立统计模型, 通过光谱代入模型即可预测未知样本浓度。 但是, 检测条件的变化会导致光谱的改变, 进而导致原有的模型不能准确预测光谱改变后的样本。 对此, 模型转移可以通过校正新测量的光谱（从光谱）, 使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。 模型转移可以使用全光谱进行校正, 但是全光谱中往往包括噪声、 背景等干扰信息, 这些干扰会增加预测误差。 故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。 但是一般的变量选择算法只选择主光谱的区间, 从光谱使用主光谱相同的波长区间模型转移。 但是在实际工作中, 主光谱和从光谱有化学意义的区间往往不一致, 主从光谱使用同一区间模型转移会增加误差; 此外, 有时二者原光谱的波长范围并不一致, 从主光谱选出的区间不能用于从光谱的校正。 对此, 提出了基于双光谱区间遗传算法（GA-IDS）, 同时选择主光谱和从光谱有化学意义的区间, 进而实现模型转移。 GA-IDS算法步骤包括, ①随机产生种群; ②分析种群中每条染色体, 删去错误染色体; ③根据每条染色体, 找出其相应的主光谱和从光谱波段组合, 并计算其模型转移后的验证均方根误差(RMSEV); ④按照概率, 执行选择、 交叉、 变异操作。 在一次迭代结束之后, 返回到步骤②, 重新执行纠错、 计算RMSEV、 选择、 交叉、 变异。 达到停止迭代的要求后, 将最低的RMSEV值所对应的染色体保存下来作为最优染色体, 其所对应的主从光谱区间作为最优区间。 用玉米、 小麦两套数据测试了该算法, 结果显示, 与全光谱相比, GA-IDS选择的主从光谱区间可以显著地降低误差; 与向后迭代区间选择法（IIBS）相比, 在小样本情况下, GA-IDS的误差显著地小于IIBS方法。

受激布里渊散射效应具有窄带增益的特性，是实现低本底噪声激光器的一种有效方式。基于高Q值光纤环形谐振腔研究低噪声布里渊激光器。通过Pound-Drever-Hall（PDH）锁定技术将泵浦光锁定到8 m长的单模环形谐振腔中，可得到与泵浦光相差一个10.81 GHz频率的反向传播斯托克斯光。采用相关延迟自外差方法测量斯托克斯光的频率噪声。实验结果表明，基于光纤环形谐振腔的布里渊激光器的阈值为5.3 mW，在高频部分（频率大于10 kHz）处，后向斯托克斯光对泵浦光频率噪声的抑制达到30 dB，接近理论抑制极限（34 dB）。