外电场作用下掺杂SBN晶体的光致折射率变化

从实验上研究了不同外加直流电场作用下固液同成分的SBN:Cr和SBN:Rh晶体的光致折射率变化规律.测量结果表明:无外加电场作用时,晶体中的光致折射率变化不明显;若在光辐照晶体的同时,沿晶体c轴方向施加一定方向的外电场,则晶体中即刻出现显著的光致折射率变化.这种折射率变化随外加电场的增大而增大,并且电场方向不同,折射率变化的正负也不同.因而可以通过改变外加电场的极性和幅度控制SBN:Cr和SBN:Rh晶体中光致折射率的变化特性,这对于在该类晶体中制作动态光波导具有重要意义.     

水平式光电望远镜静态指向误差的修正

为了提高水平式光电望远镜静态指向精度,对光电望远镜静态指向修正模型进行了理论分析和实验研究,建立了水平式望远镜指向模型。首先,介绍了球谐函数模型和水平式望远镜指向模型,并对水平式望远镜指向模型加以修改。然后,对全天区均匀分布的70颗Tycho-2恒星进行实际观测,获得水平式光电望远镜在L轴和B轴上的指向偏差,利用最小二乘法对该模型进行拟合,计算出水平式望远镜指向模型中各待定系数。最后,采用该指向模型对某型水平式望远镜进行了修正。实验结果表明:采用水平式望远镜指向模型进行修正后,望远镜设备总指向精度由修正前的152.10"提高到了4.76"。满足系统总体提出的精度要求,能够广泛地应用于科研和工程领域。     

多种深度学习方法组合应用于小样本空间目标分类研究

随着近年来光谱探测仪器灵敏度、精确度和易用度的不断提升,光谱技术已经深入到各行各业的物质成分的鉴定与分析中。对于空间目标的光谱观测是传统光学观测的重要拓展之一,因其具有的非接触、无损伤等优点而备受关注,然而由于观测条件所限,空间目标的光谱数据量极小,通过传统方法对其进行分类分析达不到较好效果,必须探求提高分类精度的方法。首先,通过1.2 m空间目标光学望远镜上搭载的光谱相机终端获取空间目标高光谱图像;再通过天文学测光IRAF方法,提取空间目标的一维光谱数据;为对空间目标光谱进行分类,提出一种结合多种深度学习方法解决小样本数据量的空间目标分类问题。该方法应用密度聚类方法将空间目标粗糙分类,一维生成对抗网络方法增加空间目标数据,一维卷积神经网络方法将空间目标精细分类,三者组合进而达到较好的实验效果,整体精度约为79.1%（基于密度聚类、过采样、一维卷积神经网络方法组合、基于K-means、一维生成对抗网络、一维卷积神经网络方法组合和基于K-means、过采样、一维卷积神经网络方法组合的整体精度分别约为78.4%,77.9%和77.2%）。粗糙分类模型中,密度聚类方法比K-means方法整体精度平均高出约为0.67%;数据增广模型中,一维生成对抗网络方法比过采样方法整体精度平均高出约为1.52%;精细分类模型中,一维卷积神经网络方法二层网络比三层网络整体精度平均仅高出约为0.003%,但是运算时间更长。四种组合方法精度均高于单一方法。实验结果表明本文提出的组合方法在小样本空间目标类别未知情况下,可实现细分类且精度较高,为实现空间目标极小数据量下的图谱一体化分析,提供一定参考价值。