红移是星系的基本参数之一。 大量已知星系只有测光图像而并没有光谱, 因此通过测光图像而非光谱来求取红移值具有重要的研究意义。 首先构建了一种基于测光图像估计星系红移的回归网络(GRRnet)。 它和以往的类似方法相比网络层数更深, 而且增加了注意力机制, 使模型能聚焦更为有用的信息。 在GRRnet的基础上, 进一步提出了一种两步走的策略, GRRnet-C-R: 第一步把星系按照红移进行粗分类; 第二步按照分好的类分别进行回归估计, 最后再合并到一起。 这种策略可明显减小测光红移估计的误差。 该工作的数据全部来源于斯隆数字巡天(SDSS)的第十六次数据发布SDSS DR16, 从中选取了96 024个红移小于0.6的星系, 每个星系的相关数据包含g, r, z三个波段的合成图像、 u, g, r, i, z五波段的测光值、 以及被视作标签的光谱红移。 在预处理过程中, 将测光图像剪切成50×50的尺寸, 目的是在保障减少计算量的同时能框选住大部分星系。 由于对比算法NetZ的输入尺寸为64×64, 为了保持输入尺寸一致, 使用cv2.resize函数将图像尺寸更改为64×64。 实验采用了七种评价指标与多种方法进行对比, 结果表明GRRnet-C-R的均方误差(MSE)低至0.001 46, 与随机森林(RF)、 极限梯度提升(XGBoost)和NetZ相比误差分别降低了22.3%、 21.9%和18.0%。 GRRnet-C-R的线性回归决定系数R2达到了0.948, 取得了一个很好的模型拟合效果。 实验结果证明了这种两步走的策略能有效降低测光红移估计的误差, 这为之后的测光红移估计提供了一种新的思路和方法。

太阳是太阳系中唯一的能量源, 拥有着极为宽阔的连续谱以及数以万计的吸收线和发射线, 是一个非常丰富的光谱信息宝藏。 太阳电磁辐射的能量主要集中在可见光区和红外光区, 其中, 具有多普勒红移特征的太阳红外光谱可作为天文测速导航的信息源。 太阳光谱多普勒红移测速是天文测速导航的重要环节, 它通过计算接收太阳光谱相对于标准太阳光谱的多普勒红移反推出航天器和太阳之间的相对径向速度。 然而, 太阳黑子、 日冕、 耀斑等太阳活动引发的光谱畸变会造成太阳光谱的不稳定, 这将影响着太阳光谱的测速精度, 进而影响导航精度。 为了提高太阳光谱测速导航性能, 依据太阳光谱测速原理, 探索改进太阳光谱多普勒红移测速的信号处理方法。 提出了一种面向太阳光谱测速导航的自适应 EMD-NDFT多普勒红移测速方法, 该方法针对太阳光谱的多普勒效应计算得到红移, 进而反推得到航天器相对于光源的径向速度。 该方法由EMD处理、 NDFT变换、 相关匹配三部分构成。 即： 首先运用EMD算法对非平稳的接收太阳光谱信号进行自适应分层, 再根据每一层本征模态信号进行自适应阈值滤波降噪, 以获得平稳的重构信号; 然后根据太阳光谱非均匀采样的特点, 对标准太阳光谱和接收光谱分别进行NDFT变换将光谱由时域转换到频域, 再选择两者的低频特征谱线进行泰勒匹配以获得相位差, 从而得到航天器相对于太阳的径向速度。 该方法将信号的时域降噪和频域稀疏相结合, 可更快速、 更准确地得到径向速度。 分析了太阳黑子活动的一个周期中, 不同年份的光谱变化情况, 并分别对其进行多普勒红移测速计算和分析。 仿真实验结果表明, 针对不同时间段和不同噪声下的太阳光谱数据, 采用自适应EMD-NDFT方法可以有效提高测速精度, 并能较大程度地降低计算复杂度。

通过求解长度规范下的半导体布洛赫方程，分析了液态水在双色场驱动下发射高次谐波光谱的特征。研究表明，通过调节双色场中基频和倍频脉冲的相对相位，高次谐波光谱呈现出周期性调制的特征。在一个调制周期内，奇次谐波会随着相对相位的增加发生红移，而产率先增大后减小。时域分析结果表明，光谱移动源于正负半周期之间发射高次谐波频谱的干涉效应。

通过射频磁控溅射技术,成功制备了具有金属-半导体-金属(MSM)结构的ZnO紫外光电探测器。研究了外加偏压对探测器响应度和截止波长的影响。随着偏压的增大,器件的响应度逐渐增加并且趋于饱和,探测器的响应截止波长红移了12 nm。这是电场引起的耗尽层的展宽以及带隙倾斜造成的。提出了一种利用外加偏压控制探测器截止波长的有效方法,该方法对紫外光电探测器的进一步研究和应用具有重要意义。

星系的红移在天文研究中极其重要, 星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。 利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析, 首先根据颜色特征并基于聚类的方法对星系进行分类, 由分类结果可知早型星系的占比较大。 对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验, 并找出最优的方法。 实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据, 首先构建BP网络, 使用BP算法对星系的测光红移进行回归预测; 然后利用遗传算法（GA）优化BP网络各层参数, 将优化后的GA-BP算法应用于早型星系的回归预测试验中。 考虑到GA算法的复杂操作会影响预测效率, 并且粒子群算法（PSO）不仅稳定性高且操作简单, 因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中, 进而采用粒子群算法优化BP网络（PSO-BP）。 实验中将光谱红移作为期望值, 采用均方差（MSE）作为误差分析指标来评判三种算法的精度, 将PSO-BP回归预测结果与BP网络模型、 GA-BP网络模型进行比较。 由实验结果可知, BP网络的MSE值为0001 92, GA-BP网络的MSE值0001 728, PSO-BP网络的MSE值为0001 708。 实验结果表明, 所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型, 分别提高了111%和12%; 在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。

采用高温固相反应法合成了Zn2GeO4∶xMn2+系列绿色长余辉磷光粉。XRD分析结果表明, 掺锰磷光粉的主要衍射峰位与锗酸锌晶体标准卡基本一致, 但略有红移。SEM照片显示, 相对于Zn2GeO4基质平均粒径而言, 掺锰磷光粉的颗粒尺寸均增大。在325 nm紫外光激发下, Zn2GeO4∶Mn2+发射出强的530 nm绿光, 优化掺锰离子浓度为0.5%。同时发现Zn2GeO4∶0.2Mn2+磷光粉暗场条件下的余辉时间超过180 min, 详细讨论了Zn2GeO4∶Mn2+长余辉发光的内在机理。

除了星系的光谱红移之外， 星系测光红移的估计也对研究宇宙大尺度结构及演变有着重要的研究意义。 利用斯隆巡天项目最新发布的SDSS DR13的150 000个星系的测光及光谱数据， 在红移值Z<0.8范围内， 先使用SOM自组织神经网络对星系样本进行早型星系和晚型星系的聚类， 然后用遗传算法优化后的BP神经网络对星系的测光红移进行估算。 估算结果与作为标准的已知星系光谱红移进行比对， 早型星系的红移估计最小均方误差约为0.001 3， 晚型星系最小均方误差约为0.001 7。 实验结果表明， 遗传优化的BP算法在精度上优于BP神经网络算法， 且效率上优于K近邻、 核回归等传统测光红移估计算法。