为了达到快速识别和检测油类污染物的目的,以激光诱导荧光技术为基础搭建了荧光光谱检测系统,得到0 #柴油、95 #汽油和普通煤油3种不同油种的荧光光谱,然后从荧光光谱信息中提取特征参量,将标准差、中心距和荧光峰的峰度系数作为敏感特征参量进行聚类分析,最后采用拟合曲线法求得待测样品的质量浓度。实验结果表明,LIF技术结合特征参量提取法和拟合曲线法可用于不同油类污染物的定性和定量检测,为快速识别和检测油类污染物提供了一种新思路。

以剥层算法为基础, 分别从非均匀解调应变大小、重构算法的特征参量以及光栅初始结构参量等对光纤布喇格光栅应变重构准确度的影响进行相关研究分析.结果表明: 工作长度为5~30 mm 的光纤布喇格光栅最佳应变解调在 3 000 με以内, 在该应变解调范围内, 保持光栅剥层的分层长度为0.1 mm左右时, 应变重构准确度和效率较优, 折射率调制幅度越小, 应变重构误差越小; 同时, 对于非均匀应变检测使用的强光栅, 折射率调制幅度约为0.000 12时, 应变检测结果最好.本文的研究结果对提高非均匀应变的重构准确度具有重要的指导意义.

针对高速滑动电接触导轨，研究了表面微小损伤快速检测及分类识别方法。基于激光扫描原理，构建了三维测量系统，用于获取导轨表面形貌的三维点云信息，并给出了一种基于点云深度映射颜色的方法，用于导轨表面微小损伤的检测。将三维点云数据经过去噪、滤波平滑、数据精简等预处理之后，根据所设定的深度基准平面，构建点云深度映射颜色模型，将点云深度信息映射为红绿蓝(RGB)信息，采用一维最大熵法设定最优颜色阈值，实现损伤区域的准确提取；采用二叉树模式识别方法，建立损伤分类模型，实现导轨表面微小损伤的识别与分类。结果表明，损失质量小于1 g 的微小损伤检出率达98%以上、微小质量损失检测精度可达毫克级；凹坑与划痕两大类损伤识别率达80%以上。

精确估算吸收性光合有效辐射分量(EPAR)对于检测植被水分、 能量及碳循环平衡具有重要意义。 应用ASD地物光谱仪与SUNSCAN冠层分析仪对冬小麦整个生育期内冠层光谱反射和光合有效辐射进行监测, 并利用冠层反射率数据构建了24个高光谱特征参量, 通过分析不同光谱特征参量与冬小麦FPAR的相关关系, 建立冬小麦FPAR光谱参量估算模型。 结果表明: 除蓝边幅值Db外其余高光谱参量均与冬小麦FPAR呈极显著相关(p＜0.01)。红边面积SDr与蓝边面积SDb的比值(VI4)与FPAR的相关系数最高, 达到0.836。 提取相关性较高的7个光谱参量分别与冬小麦FPAR建立最优线性与非线性估算模型, 通过精度检验分析, 优选了冬小麦FPAR最合适的模型。 对于线性模型, 绿峰位置λg与FPAR的反演模型最好, 其预测模型的R2, RMSE和RRMSE分别为0.679, 0.111和20.82%; 对于非线性模型, 绿峰反射率Rg与红谷反射率Rr的归一化比值(VI2)与FPAR的反演模型最好, 其预测模型的R2, RMSE和RRMSE分别为0.724, 0.088和21.84%。 为进一步提高模型精度, 分别运用多元线性逐步回归与BP神经网络建立多个高光谱参量同时参与的模型, 与单参量模型相比, BP神经网络模型的反演精度明显提高(R2=0.906, RMSE=0.08, RRMSE=16.57%)。 利用高光谱特征参量测定冬小麦FAPR具有可行性, 这为实时、 有效、 准确监测冬小麦生长过程中FPAR的动态变化提供了一种新的方法和理论依据。

针对目前相位敏感光时域反射计(φ-OTDR)分布式光纤扰动传感系统难以对扰动事件进行有效判别的问题，提出一种基于多特征参量的扰动模式识别方法。作为识别依据的多特征参量包括平方差、短时过电平率、短时傅里叶变换以及扰动持续时间，对以上特征参量利用加权平均型综合评判函数进行模式识别，可以有效识别出应力破坏(敲击)、攀爬、浇水(模拟下雨环境)以及轻度碾压(模拟非破坏性人为扰动)四种扰动模式。对60组共240个实验样本进行识别，对以上四种扰动事件的识别率分别达到91.2%，88.3%，90%和86.7%。该方法克服了现有单一特征参量识别模式受限的问题，提高了扰动事件识别的准确性。

为了减小测量误差, 采用改进的Boltzmann方法和Lorentz函数拟合方法, 迭代计算得到黄铜等离子体的电子温度是6051K, 拟合Cu Ⅰ324.75nm得到等离子体的电子密度是3.3×1017cm-3。结果表明, 经过9次迭代, 电子温度的线性相关系数由0.73提高到0.98; 经过15次叠加, 电子密度的拟合相关度由0.90提高到0.96。这一结果对于精确求解等离子体的特征参量是有帮助的。

氨基酸是维持生命活动的重要物质， 而色氨酸和酪氨酸又是天然氨基酸中重要的发光组分， 应用荧光光谱法对其进行测量和分辨具有重要的意义。 文章用美国Pekin-Elmer LS55型荧光分光光度计， 对色氨酸和酪氨酸的三维荧光光谱进行了测量。 将测量的数据用激发-发射-荧光强度的三维坐标表示， 得到三维荧光谱图， 但色氨酸和酪氨酸存在共性峰，通过波峰位置简单地来辨别两种混叠的物质很有难度。 以数理统计概念为基础， 提取该三维荧光光谱的特征参数， 得到两种物质荧光光谱中最相关的信息， 可以解决两种物质光谱混叠的分辨问题。 结果表明， 色氨酸和酪氨酸的三维荧光光谱平均值、 标准差、 原点矩、 混合中心矩等参数差值百分比分别为330.37%, 102.86%, 329.16%, 329.63%， 区别较大； 而边际分布、 相关系数值差值百分比仅为10.61%和2.40%。 因而平均值、 标准差、 原点矩、 混合中心矩可作为敏感特征参数， 用其分辨谱图混叠的色氨酸和酪氨酸是可行的。 这种“数学预提取”的三维光谱分析法可以找出组分之间的敏感特征参量， 能够取代传统的三维荧光光谱分析法。

对图像分析中的关键部件CCD本身离散采样的特点及其非线性、响应不均匀、暗电流、噪音等特性对测试造成的影响进行了分析,并给出了由以上因素造成的测试误差的修正方法.在高准确度OTF测试中,CCD必须具有优良的线性、较宽的动态范围、高信噪比.应用一些算法对其进行软件上处理,修正其对测试准确度降低的特征参量是提高测试准确度的有效方法.通过对50mm标准镜头实际测试,采用本文的处理方法对CCD修正后的传函仪测试准确度达到了±3%,满足高准确度测试要求.

通过对航天光学遥感器在轨调制传递函数模型和遥感图像的分析,找出遥感图像中与调制传递函数有关的特征信息,采用神经网络为工具,完成利用遥感器传输下来的任意一幅地面景物图像进行调制传递函数的评价。首先模拟出包含不同调制传递函数等级的遥感图像,组成训练样本集,再从图像中分别提取出直接与调制传递函数有关的特征参量和与景物结构有关的特征参量,作为神经网络的输入,网络通过对训练样本集中模拟出的大量调制传递函数已知的遥感图像训练后,当再次输入一幅调制传递函数未知的遥感图像时,便能够正确估计出其调制传递函数值。这种方法不需要在地面铺设靶标或预先获得调制传递函数已知的同一地面景物的航空图像作为参考,只需获得任意一幅地面景物图像即可完成对遥感器调制传递函数的评价。实验结果表明,当不考虑噪声对调制传递函数的影响时,对调制传递函数的评价误差约为6%,而在考虑噪声时,评价误差约为9%。