基于锥面衍射实现高效率双光栅光谱合成

分析了基于锥面衍射的双光栅光谱合成系统的可行性,设计了激光入射角为Littrow角附近的双多层介质膜(MLD)光栅光谱合成系统,开展了两路合成实验。当入射极角等于自准直入射角,入射方位角为6°时,光栅衍射效率近似等于光束自准直入射时的衍射效率。基于锥面衍射原理,对中心波长为1050.24 nm和1064.33 nm的两束光纤激光子束进行合成,入射极角为43.99°,测得合成效率为92.9%,较基于非锥面衍射的双光栅光谱合成系统的合成效率提高了8.8%;测得合成光斑光束质量Mx 2=1.204,My 2=1.467,与基于非锥面衍射的双光栅光谱合成系统输出光斑光束质量基本一致。     

静止轨道星载差分吸收光谱仪CCD成像系统设计

静止轨道卫星差分吸收光谱仪采用摆扫成像方式对大气进行探测,针对其工作时CCD成像系统信噪比大于1 000、高速探测模式下探测周期小于10min、高分辨率模式下探测周期小于1h的要求,进行CCD成像系统设计.选取CCD47-20作为探测器,设计成像电路实现光谱图像信号的采集和上传.分析了帧叠加和像元合并对时间、空间分辨率的影响.结合帧转移CCD的特点设计了每个位置最后一帧读出时摆镜转动的成像方式,并合理设置了帧叠加数和像元合并数,达到优化成像周期的目的.1s曝光时间条件下,该CCD成像系统的高速、高分辨率模式探测周期分别为515s和3 315s,图像信噪比均大于1 000,污染物观测实验中未出现失帧或重复的现象.该CCD成像系统方案满足静止轨道星载差分吸收光谱仪的探测需求,为静止轨道环境监测仪器设计提供参考.     

基于Retinex理论与概率非局部均值的红外图像增强方法

针对传统红外图像增强算法中细节模糊及过度增强的问题,提出了一种基于Retinex理论与概率非局部均值相结合的红外图像增强方法.首先通过单尺度Retinex方法调整图像中过暗与过亮部分的灰度级;然后利用概率非局部均值对图像进行分解处理得到基本层与细节层,对基本层采用直方图均衡化拉伸对比度,对细节层采用非线性函数进行增强;最后,将不同层次的结果融合得到对比度与细节增强的红外图像.用该方法对多组不同场景的红外图像进行仿真实验,并将其与多种增强方法进行主、客观对比分析,结果表明所提方法在红外图像的细节及对比度增强方面都获得了更好的效果.     

板中热弹波传播: 一种改进的勒让德多项式方法

近年来, 超声导波因其衰减小, 传播距离远和信号覆盖范围广, 成为无损检测领域快速发展的方向之一. 然而, 基于超声导波的高温在线检测和激光超声技术却发展缓慢, 其关键在于热弹耦合波动方程求解难度大、传播与衰减特性研究困难. 作为一种有效的求解方法, 勒让德正交多项式方法已广泛应用于导波传播问题, 但该方法在求解热弹导波传播时存在两个不足, 限制其进一步的发展和应用. 这两个缺陷是: (1)求解过程中大量积分的存在, 致使计算效率低下; (2)仅能处理等热边界条件的热弹导波传播. 针对两项不足之处, 提出一种改进的勒让德正交多项式方法, 以求解分数阶热弹板中的导波传播. 推导求解方法中积分的解析表达式, 以提高计算效率; 引入温度梯度展开式, 发展适合勒让德多项式级数的绝热边界条件处理方法. 与已有文献结果对比表明改进方法的正确性; 与已有方法的计算时间对比说明改进方法的高效性. 最后将改进的方法用于求解分数阶热弹板中的导波传播, 研究分数阶次对频散、衰减曲线和应力、位移、温度分布等的影响.      

空间外差光谱仪光谱降噪方法研究

空间外差光谱仪是一种新式的超高分辨率光谱仪，可用于大气监测、卫星遥感等领域。为了减少空间外差光谱信号中的噪声，提出基于提升小波变换结合中值滤波方法来实现信号的降噪。改进的提升小波变换融合了一种双因子的阈值函数、分层阈值选取。与小波变换的软、硬阈值对比发现，它能提取空间外差光谱，减小峰宽和保留重要的细节特征，降噪效果优于小波变换的软、硬阈值法。最后用信噪比和均方误差两项定量指标来衡量算法的效果。实验结果表明:该算法比软阈值法在处理氙灯和积分球时信噪比提高了24.6%和31%，均方误差减少了43.2%和51.5%；与硬阈值法相比信噪比提高了21.5%和30.6%，均方误差减少了40.2%和51.2%。因此，算法在空间外差光谱降噪方面具有可行性。     

QEPAS系统中石英音叉模态仿真计算与研究

对石英音叉增强型光声光谱(QEPAS)系统中常用的石英音叉进行了有限元模态计算，获得石英音叉前6阶振型与模态频率，认知了第4阶对称摆动振型为有效振动，利用单因素法分析了石英音叉的音臂长度l₁、音臂宽度w₁、音臂厚度t、音臂切角θ、音臂圆孔直径d及音臂圆孔高度h对低阶有效共振频率(Fre)的影响，敏感度依次为： l₁> w₁>d>θ>t>h，考虑实际设计情形，筛选出了l₁，w₁，d与h四个石英音叉设计变量，采用Box-Behnken实验设计方案与RSM(response surface methodology)方法，以Fre为函数目标，建立l₁，w₁，d与h的二次回归响应面模型，得到了参数之间的交互作用，利用Design-Expert软件对响应面模型进行设计参数反求，结果表明，在15 000 Hz≤Fre≤25 000 Hz计算区域内误差较小，基本满足QEPAS系统的计算需求，所提出的研究与设计方法具有一定通用性，可为QEPAS系统中石英音叉结构参数设计提供参考。     

焦炉上升管内壁结焦炭层的光谱学分析及结焦机理研究

以焦炉上升管内壁结焦炭层块为研究对象，采用X射线荧光光谱仪（XRF）、X射线衍射仪（XRD）、傅里叶红外光谱仪（FTIR）和激光共聚焦拉曼光谱仪（Raman）对结焦炭层的元素组成，以及各结焦炭层的矿物组成、组成结构和分子结构进行测试。分析从结焦炭层块外表面向内表面过渡的各结焦炭层的差异性，揭示焦炉上升管内壁结焦机理。结果表明焦炉上升管内粉尘中Fe，S和Cr极易催化荒煤气中蒽、萘等稠环芳烃化合物成炭，在焦炉上升管内壁形成炭颗粒沉积，为焦油凝结挂壁提供载体，在荒煤气温度降至结焦温度时易结焦积碳。结焦炭层均含有芳香层结构，随着结焦炭层从外表面向内表面过渡，各结焦炭层的面层间距(d₀₀₂)逐渐降低、层片直径(L_a)先降低后增加、层片堆砌高度(Lc)和芳香层数(N)先稳定后增加。结焦炭层石墨化过程是由结焦炭层内表面向外表面进行，主要包括其片层外缘的羧基和部分C-O结构的降解剥离，从而形成高度规整的共轭结构。结焦炭层块中C元素是以结晶碳与无定型碳的混合物形式存在。以上研究为解决焦炉上升管内壁结焦及腐蚀问题，提高换热器换热效率，有效回收焦炉荒煤气显热，降低焦化企业能耗提供实验基础和理论依据。     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

SPECTRUM-PRESERVING ELEMENTARY OPERATORS ON B（X）

1.IntroductionLetXbeaninfinitedimensionalcomplexBanachspaceandB(X)theBanachalgebraofallboundedlinearoperatorsonX.ForTEB(X),a(T),asusual,willdenotethespectrumofT.Let4bealinearmapfromB(X)intoitself.4isspectrum-preservingifa(di(T))=a(T)forallTEB(X);4isspectrum-compressingifa(4(T))ga(T)forallTEB(X).Itisclearthatif4isunital(i.e.,ac(I)=I),thenacisspectrum-preserving(spectrum-compressing)ifandonlyif4preservesinvertibilityinbothdirections(preservesinvertibility),i.e.,4(T)isinvertibleifando…