为解决复杂多变环境下光纤入侵事件因噪声干扰识别困难、误报率高的问题，提出了基于改进的奇异谱分析和遗传算法优化的双向长短期记忆神经网络的入侵事件识别方法。首先，为了减少噪声对识别效果的影响采用改进的奇异谱分析法去噪，对入侵信号及其分量进行迭代奇异谱分析去噪，并利用信号贡献率的大小来确定信号重构的秩阶次，调节信号分量去噪的程度，实现光纤信号的去噪。然后，利用遗传算法优化神经网络结构参数，构建双向长短期记忆神经网络提取光纤信号空间特征，最后基于以上方法对攀爬、跑动、敲击、静态、大风、雨天6种实测信号进行入侵事件识别实验，实验结果表明，在双Mach-Zehnder光纤周界传感系统识别入侵事件过程中，改进的奇异谱分析相比普通的奇异谱分析，去噪信噪比有明显提高，平均信噪比提高了12.79 dB，平均均方根误差略有减少。遗传算法优化的双向长短期记忆神经网络较未优化神经网络平均识别率提高了5.7%，识别准确率最高可达98.1%。

目前配电变压器的状态监测迫切需要一种无线无源的传感监测方式, 而声表面波(SAW)传感器是满足此需求的重要技术手段之一。该文以用于变压器出线端测温的SAW传感器为研究对象, 提出了一种SAW传感器回波信号处理流程, 设计了信号去噪、频谱分析等信号处理环节。为解决同频信号对传感器测量带来的干扰问题, 研究了基于奇异谱分析和独立分量分析的单通道盲源分离算法对SAW传感器的抗干扰作用, 利用搭建的信号采集平台验证了该算法在信号分离和干扰抑制上的有效性。

利用热原子层沉积(Atomic Layer Deposition, ALD)技术在不同深宽比GaAs衬底上进行了Al2O3/HfO2复合薄膜的沉积。通过对其表面和能谱进行分析发现，沉积温度对复合薄膜的摩尔比具有较大的影响。随着深宽比的增大，其沉积表面和沟槽内会出现残留物；随着ALD沉积温度的上升，其沉积表面和沟槽内的残留物减少，摩尔比趋向均匀。当深宽比为22并利用150 ℃的低沉积温度时，表面及底面基本无残留物。但当深宽比为425时，150 ℃沉积明显有大量残留物。只有当温度升高到300 ℃时，表面和沟槽里复合薄膜的残留物才被明显消除。ALD技术可以实现各种器件结构的全方位钝化，这是其他化学气相沉积法无法比拟的。

由于碲镉汞薄膜材料中杂质的含量对红外探测器件性能的影响很大，因此对衬底表面加工过程中使用的溴甲醇腐蚀液的纯度提出了非常高的要求。采用改进的亚沸蒸馏装置对高纯溴溶液进行了进一步的蒸馏提纯，并根据等离子质谱分析仪(ICP--MS)的杂质含量测试结果对实验条件进行了优化。结果表明，该方法可以进一步降低提纯溴中的杂质含量，进而有利于提升碲镉汞红外焦平面探测器的性能。

为了减小在剧烈环境中脉搏波信号产生的运动伪迹, 采用mimic数据库中由光子器件构成的光电传感器采集的脉搏信号, 通过陀螺仪信号和三轴加速度互补滤波来矫正三轴加速度的角度, 运用奇异谱分析将矫正后的三轴加速度信号分组为不同频率成分的信号, 作为三级快速横向递归最小二乘(FTRLS)算法的参考信号自适应消除运动伪迹。结果表明, 与最小均方算法、递归最小二乘法相比, 信噪比分别提升了12.2%、6.7%, 均方根误差分别减少了30%, 11%, 并且提高了计算速度。该研究对去除频域上脉搏波的运动干扰谱峰, 保留重博波信息是有帮助的。

新型真空太阳望远镜(NVST)作为研究太阳物理最主要的光学太阳望远镜之一,在采集图像数据过程中会遭受各种噪声干扰,影响对观测数据的研究。一些基于标准监督深度学习的方法在图像去噪领域取得显著成果,但对于干净数据难以获取的天文图像领域该类方法变得不适用。针对此问题,本文将基于自监督深度学习的图像去噪方法应用于NVST图像去噪。为定量评价网络模型性能,首先对经过重建的数据添加仿真噪声;其次将含噪数据通过噪声水平估计网络对噪声水平进行估计;接着利用自监督卷积盲点网络对图像特征进行学习,同时使用贝叶斯推理对图像进行恢复;最后通过峰值信噪比和结构相似度评价指标、相关性分析和功率谱分析对实验结果进行定量分析。实验结果表明,不论对于仿真噪声数据还是实际观测数据,相较于实验中其他图像去噪方法,本文方法能有效降低噪声对NVST图像的干扰,提高图像信噪比。同时也为干净图像数据难以获取的其他工程领域提供解决思路。

为对光时域反射计(Optical Time Domain Reflectometer, OTDR)数据进行去噪处理,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)与奇异谱分析(Singular Spectrum Analysis, SSA)的去噪算法。首先,对OTDR数据进行VMD分解；然后根据相关系数准则判定有效分量,并采用SSA对与原信号相关系数较小的分量进行处理；再对所有分量求和,得到重构后的信号,从而实现数据信噪比的提高。经实验验证,该算法的去噪效果良好,容易实现,具有较大的实用价值。

预处理是木质纤维材料高效转化为燃料乙醇的关键步骤之一。 通过预处理可以实现木质素及半纤维素等屏障性组分的大量移除, 增加纤维素酶对纤维素的生产性吸附, 从而有效提高后续的酶水解得率。 泡桐（Paulownia）年产量大、 生长周期短、 加工废料多, 是制备生物能源和其他化学品极具潜力的原料。 为实现泡桐木质生物质原料到生物乙醇的高效转化, 促进泡桐原料的高效酶水解, 故而对原料进行预处理以打破其原有的生物抗性, 降解并脱除酶水解屏障性组分, 暴露并保留更多纤维素组分。 本研究以泡桐作为实验材料, 使用乙酸协同亚硫酸钠对原料进行化学预处理, 分析不同处理方法对原料化学组分及结构特性的影响。 组分分析显示： 预处理后, 样品葡聚糖相对含量均有不同程度增加, 其中碱性亚硫酸钠协同处理泡桐增加最为明显。 数据显示, 碱性亚硫酸钠协同处理具有很好的脱木素作用, 同时可以降解溶出部分木聚糖组分, 因此其葡聚糖相对含量显著增加至67.48%（未处理泡桐的葡聚糖相对含量为46.81%）。 此外, 分别采用FTIR, XRD及XPS等表征方法对所有泡桐样品的理化结构进行分析, 以探究不同预处理对样品结构产生的影响。 FTIR分析表明： 碱性亚硫酸钠协同处理后木质素特征吸收明显减弱, 纤维素特征吸收增强, 表明木质素有一定脱除, 纤维素相对含量有所增加。 XRD分析显示： 预处理后泡桐纤维表面受到破坏, 木质素及半纤维素等无定型物质被部分脱除, 纤维素结晶度均有不同程度增加。 其中, 碱性亚硫酸钠协同处理后纤维素结晶度显著增加至58.98%（未处理材的纤维素结晶度约为40.23%）, 002峰位向右侧偏移, 衍射峰衍射强度明显增强, 峰形变高且尖锐程度增大； XPS分析表明： 碱性亚硫酸钠协同处理后, 样品表面碳水化合物含量增加, 表面木质素含量减少。 所有表征分析均显示碱性亚硫酸钠协同处理对泡桐结构破坏性最大, 木质素降解脱除程度最高, 纤维素保留程度最好, 这有助于增加纤维素酶对纤维素的可及性, 有效提高后续的纤维素酶水解效率, 进而促进泡桐原料到燃料乙醇的高效转化。 结构表征分析结果与化学组分规律保持一致。

将基于深度学习的放大方法应用于天文图像的研究中,根据新真空太阳望远镜(NVST)图像中的结构特征,提出一种有效的天文图像放大方法。首先使用Binning技术对数据进行降采样处理,获得对应的低分辨率图像;其次通过改进的残差稠密网络充分提取和利用低分辨率图像多级特征,重建出高分辨率的太阳图像;最后通过残差分析、相关性分析及功率谱分析对太阳图像的重建误差进行定量评估。实验结果表明,相对传统插值法,所提方法能够对太阳图像中的小尺度结构进行精细放大,且在放大图像的同时有效提高图像的信噪比。