针对市场中存在广陈皮年份造假、 以次充好等问题, 提出一种基于黑寡妇优化算法(BWO)和支持向量机模型(SVM)的广陈皮陈化年份高光谱鉴别方法。 以四类陈化年份(5~20年)的广陈皮作为实验对象, 采集样本的高光谱图像数据(385~1 014 nm波长), 通过镜头校准和反射率校准后提取样本感兴趣区域的平均光谱数据。 首先, 采用多项式平滑算法(SG), 结合多元散射校正算法(MSC)和去趋势算法(detrend)对数据进行降噪处理; 然后, 分别采用连续投影算法(SPA)、 竞争性自适应重加权与逐步回归混合算法(CARS_SR)筛选出特征波段; 最后, 提出以均方根误差(RMSE)为适应度函数, 分别使用偏最小二乘判别分析模型(PLS)、 粒子群算法优化SVM模型(PSO-SVM)和蝗虫算法优化SVM模型(GOA-SVM)对广陈皮的陈化年份进行鉴别, 并通过采用BWO算法优化SVM模型(BWO-SVM)来得到鉴别模型的最优参数。 结果发现: SG_detrend算法对广陈皮高光谱数据具有较好的降噪能力, CARS_SR算法具有较好的特征信息提取能力; 与PLS、 PSO-SVM和GOA-SVM相比, BWO-SVM算法可以得到更好的鉴别模型控制参数; SG_detrend-CARS_SR-BWO-SVM模型对广陈皮陈化年份的鉴别准确率达到97.59%, RMSE为0.060 2, R2为0.952 9。 该工作为实现广陈皮陈化年份的快速无损鉴别提供了新方法, 也为便携式鉴别仪器或在线生产设备研发提供了理论依据。

在自由光空间通信领域，使用不同束腰半径组合的涡旋叠加光束可以在同一信道开销下传递更多信息。受大气湍流影响涡旋光束会发生相位扰动，进而影响其轨道角动量（OAM）模态识别。现有模型无法准确识别受随机大气湍流影响而发生扰动的OAM叠加光束模态。因此，提出一种基于注意力机制的深度学习识别方法。将注意力机制模块嵌入到VGG-16中，以提升模型对不同状态叠加光束模态的感知性能。另外为模拟湍流的真实状态，利用功率谱反演法模拟大气湍流，并使用次谐波补偿随机湍流屏的低频信息。同时，建立受到随机湍流影响发生相位扰动的OAM叠加光束数据集，利用该数据集训练所提模型。实验结果表明，在未知大气湍流强度条件下，对比传统方法，所提方法对OAM的识别准确率最高提升了4.46%。这表明了该模型对识别OAM叠加光束的有效性，以及良好的鲁棒性和较好的泛化能力，为识别OAM模态提供一种新的方法。

针对现有噪声图像分类效率低的问题, 提出一种改进的Darknet噪声图像分类算法。去掉Darknet网络输出部分的1×1卷积层, 将第19层卷积核数量改为4, 在网络最后加上Softmax层, 实现网络分类功能。在网络passthrough层和第6~8层后分别引入Dropout层, 在卷积层中引入L2正则化来避免网络过拟合。将网络第10层和第11层, 第12层和第13层, 第15层和第16层, 第17层和第18层改为4个残差块, 解决反向传播权值更新时梯度消失问题。从CIFAR-10数据集上取20 000张图片, 经128×128尺寸变换后分别添加高斯噪声、泊松噪声、盐噪声和斑点噪声, 对每张图片依类别进行One-hot编码, 最后将图片和标签制作成训练集、验证集和测试集。4种算法实验结果对比表明, 改进的Darknet网络对彩色噪声图像分类准确率可达0.904, 远高于其他3种算法分类准确率。

针对传统室内可见光通信（VLC）系统中光源分布的不均匀性导致的通信盲区和通信质量不平稳等问题，提出一种位置和灯源参数联合优化的方法。该方法在不改变传统布局的总功率前提下进行发光二极管（LED）阵列的重新分配，其次遍历搜寻各LED阵列的最优位置，最后运用改进的粒子群优化（PSO)算法对各LED阵列中的参数进行优化。仿真结果表明：相较于传统光源分布，联合优化方法在满足室内照明的情况下不仅减少了灯源布局的总功率，而且提高了接收面上光照度均匀度。

基于过饱和掺杂硅材料制备的光电探测器表现出低电压高增益、可见光到近红外波段宽光谱响应等优点,主要介绍了飞秒激光过饱和掺杂的作用机制,以及相应硅基光电探测器的国内外研究进展,具体讨论了如何提升器件响应、抑制暗电流、改善材料晶格质量、提升载流子输运能力等问题,介绍了器件在柔性光电子领域的应用拓展,并展望了飞秒激光过饱和掺杂硅基光电探测器的发展前景。

土壤有机质（SOM）含量是衡量土壤质量高低的重要指标， 可以用高光谱快速测定。 在以往研究中， 估算模型多以特征波段与线性经验模型为基础进行构建， 较少考虑波段间信息冗余和共线性， 预测效果不很理想并难以进行推广。 为最大化消除波段信息噪声， 提高模型预测精度， 选取莱州湾南岸滨海平原为研究区， 系统采集了111个土壤样本和实测高光谱数据（325～1 075 nm）， 并测试了土壤样本的有机质含量作为因变量； 通过主成分分析(PCA)将实测光谱信息降维为6个主成分， 并提取水分、 植被光谱特征指数（DI）， 以此作为自变量； 最后建立多元逐步线性回归（MLR）和BP神经网络(BPN)预测模型， 分析不同模型对土壤有机质预测的效果。 结果表明： ①经过主成分的波段信息分析判别提取出6个主成分， 可以表征叶绿素残留物、 盐分、 腐殖酸、 物化矿渣和微地貌的光谱特征。 ②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型， 他们的R2分别为0.704和0.643。 将水分和植被光谱特征指数作为自变量增加到预测模型后， MLR和BPN的预测精度分别提高了6.1%和5.2%， R2达到0.712和0.764； ③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果， 在土壤有机质的预测与制图中具有一定的应用潜力。

为了满足长距离光纤时间传递的工程要求，提出了一种基于时间数字转换（TDC）和现场可编程门阵列（FPGA）的时延测量方法。该方法将FPGA测量范围大和TDC分辨率高的特点相结合，实现了大范围高分辨率的光纤时延测量。研究结果表明，该系统的测量范围为0~1 s，分辨率为22 ps，不确定度优于100 ps。

针对青铜金刚石砂轮V形凹面修整困难的问题, 利用光纤激光切向整形法, 得到修整青铜金刚石砂轮V形凹面新的技术方法。在分析激光切向整形作用机理的基础上, 确定关键激光工艺参数。采用超景深三维显微镜检测磨削后的石墨板, 间接采集V形凹面砂轮的特征。研究不同激光工艺参数对V形凹面修整效率的影响规律, 及不同重叠率对青铜金刚石砂轮V形凹面的几何特征参数的影响规律。研究结果表明, 激光平均功率与激光光斑重叠率对修整效率影响较大, 近似呈正比例关系; 合适的重叠率有利于减小形状误差PV值(最小形状误差PV值为36 μm); 相比激光扫描轨迹线重叠率, 激光光斑重叠率对修整后成形角度和V形凹面尖角半径值影响更大, 激光光斑重叠率越大, 成形角度与V形凹面尖角半径值越大; 修整后砂轮形状误差均可控制在5%以内, 初步验证了脉冲激光切向修整V形凹面青铜金刚石砂轮的可行性。

采用波长为355 nm、脉宽为18 ns的紫外激光器, 开展了镍基电镀金刚石砂轮的修整试验研究, 对4个关键工艺参数——扫描填充形式、脉冲光斑重叠率及线重叠率、激光平均功率和循环扫描次数进行优化。结果表明, 紫外激光修整镍基电镀金刚石砂轮时, 当采用环形扫描填充形式, 激光光斑重叠率和扫描轨迹重叠率均为35%时, 修整后的砂轮表面地形地貌较为良好, 并且当激光平均功率Pavg一定时, 电镀砂轮表面的烧蚀深度与循环扫描次数N近似成正比。

提出了一种基于FPGA的视频信号处理方法。经过视频信号检测、控制时序发生、显示数据扩展和图像倒向实现了输入信号的正确实时显示。经验证, 特殊的480×480分辨率时序的视频信号, 可在640×480物理分辨率的液晶屏上倒向显示在指定的480×480像素区域。该设计方法稳定可靠, 具有可移植性, 应用价值较大。