水稻株高是水稻本身以及土壤、 水文、 气象等因素的综合反映, 是水稻长势监测的重要指标。 准确、 高效、 大范围的株高反演为水稻品种识别、 物候监测、 病虫害评估和产量预测等提供了可靠的依据。 合成孔径雷达（SAR）, 具有全天时、 全天候、 穿透性的优势, 成为水稻株高反演的重要手段之一。 基于极化干涉测量（PolInSAR）的散射模型的反演算法具有严密的物理模型的支撑及较高的反演精度等特点, 成为植被高度反演研究的热点。 结合极化干涉SAR技术, 构建了一种基于RVoG（Random Volume over Ground）模型的水稻株高反演算法, 并利用2015年水稻生长季内9个时相的TanDEM-X极化干涉SAR数据, 进行了水稻株高反演试验。 首先基于每个时相下的极化干涉SAR数据分别得到8个复相干系数, 利用这8个复相干系数在考虑卫星双站模式等情况下进行去相干处理, 然后建立适用于水稻田特性的RVoG模型, 接着构建基于该模型的水稻株高反演迭代算法, 最后对9个时相下的TanDEM-X数据进行研究区的水稻株高反演及精度评定。 结果表明, 当水稻株高高于0.4m时, 该方法的反演结果较好, 决定系数（R2）为0.86, 均方根误差RMSE为6.79 cm; 当水稻株高较低时（水稻株高小于0.4 m）, 反演误差在0.1～0.8 m之间, 反演结果较差, 被明显高估。 通过分析认为, 基于极化干涉理论, TanDEM-X数据在较好地反映出水稻植株的较大体散射量的前提下, 利用所构建的基于RVOG模型的水稻株高反演算法, 能够较好地反演株高在0.33～1.2 m的水稻株高。

自动测量头盔显示器的视差时, 用CCD相机取代人眼的主观读取, 由于机器视觉不如人眼灵活, CCD相机在人眼观察点才能确保移动时采集的图像是完整的, 从而保证全视场的视差测量。该文提出采用模式搜索法在头盔显示器光学平面内实现CCD相机自动对准人眼观察点(眼位点), 从而实现头盔显示器全视场视差的自动测量。对该自动测量系统的测量原理, 以及CCD相机自动对准眼位点的实现过程进行了详细论述与说明, 对测量精度与效率, 对准精度与重复定位精度进行了实验分析。实验结果表明, 该方法能够快速、准确、自动地对准眼位点, 定位精度为±0.071°, 与摆头法测量视差系统进行对比实验, 全视场视差测量效率高, 重复精度高。

文章基于单模阵列光纤与平面光波导对准的理论模型，对在精确对准过程中常见的两种位置搜索法(爬山法和模式搜索法)进行了仿真模拟实验。仿真实验证明模式搜索法可以更快地搜索到最大光功率值，算法收敛性明显好于爬山法。

提出基于模式搜索法的光纤有源自动对准算法,实现了多自由度同时寻优,解决了不同自由度之间的交叉耦合问题,提高了对准速度和对准精度.通过仿真与实验研究,与传统的爬山法进行对比.仿真结果表明,激光二极管与单模光纤五自由度对准时,模式搜索法只需20次迭代就可以找到最大点,收敛速度是爬山法的9倍.实验结果证明,横向调整两个自由度对准时,模式搜索法搜索速度比爬山法平均快10 s,定位成功率达到90%.