基于数字显微全息技术的相位光栅结构测量

以相位光栅为实验对象,开展了基于数字显微全息技术的相位物体三维显微结构信息的再现研究.在Mach-Zender透射式实验系统的基础上,分别采用显微物镜和无透镜放大方式,对相位光栅进行放大,以提高系统横向分辨率.在显微物镜放大系统中,菲涅耳近似数值再现算法与双波长技术相结合,抑制主要系统噪音,获得相位光栅的显微结构三维分布.在无透镜放大数字显微全息系统中,分别利用菲涅耳近似法和卷积方法再现原始物波前,并提出相减法消除系统主要球面误差,获得相位光栅的深度信息.实验结果与Veeco干涉仪测试结果比对表明,光栅周期和深度结构与干涉仪测试数据相符.     

Stokes参量数字全息法实现相位物体成像

为实现对相位物体的无损检测和成像,克服数字同轴全息相位物体成像技术在消除零级像和孪生像的干扰时存在的系列问题,提出一种基于Stokes参量的新的数字同轴全息技术。该方法区别于传统的利用干涉光场来记录原始像项的数字全息方法,通过测量物参光合成光束的Stokes参量来分别得到这两束光的振幅和相位差,从而准确、唯一地获得原始像项;再利用数字再现即可重构物光的振幅和相位信息。实验中对弱吸收的相位样品进行了测量,得到样品清晰的振幅和相位分布。结果表明,采用该方法对相位物体进行数字全息再现,可以克服传统同轴全息图中零级像和共轭像对相位物体信息的严重干扰,对于提取相位物体的振幅和相位信息是可行和有效的。     

结合划线拟合和深度学习的数字全息显微相位像差自动补偿方法

针对动态观察活体细胞形态的数字全息显微应用,提出了一种结合划线拟合和深度学习的自动相位像差补偿方法.首先在全息面提取中心十字线上的物光场相位值,通过二次多项式数值拟合构建相位掩模完成相位像差初步补偿.然后在成像面运用卷积神经网络生成二值化图像掩膜,提取物光场中无物体区域的相位值,再次通过高阶多项式进行数字拟合构建相位掩模完成相位像差精确补偿.最后得到无相位像差的再现相位像.该方法通过在全息面划线取值和数字拟合有效补偿物光中的主要相位像差,降低了成像面物光场的图像轮廓复杂性,利用有限的训练数据集获得能够准确建立图像分割的深度学习模型,从而实现了准确的无需人工干预的数字全息显微自动相位像差补偿.基于离轴数字全息显微成像系统对多种具有不同形态特征的活体细胞开展动态观察实验,并进一步应用该方法进行子宫内膜癌细胞抗药性筛选.结果表明该方法可以很好地用于动态显微观察,从而为生物学细胞动态研究提供实验依据.     

数字全息中的自动相位畸变补偿算法

提出一种面向数字全息的相位畸变自动补偿方法,利用图像分割技术对被检测物体进行自动分割,生成相位掩模板,进而得到不含被测物体区域的畸变相位。基于相位畸变校正模型对畸变相位进行最小二乘拟合,最终实现相位畸变的自动补偿。实验中搭建了数字全息检测平台,并对晶圆表面进行测量,结果表明所提出的方法能够实现畸变相位的自动校正。     

预成像数字全息测量大物体三维形貌

为了扩大数字全息三维形貌测量的视场,提出了一种预成像的方法.物体先被成像镜头成一缩小的实像,再使用离轴菲涅耳数字全息对此实像进行全息记录.采用倾斜照明光的方法使两次数字全息的再现像之间产生相位差,通过相位去噪和去包裹处理从相位差中提取物体的三维形貌数据.实验证明,预成像方法使测量视场的大小得到了至少一个数量级的提高,采用离轴菲涅耳数字全息降低了测量系统对环境稳定性的要求.     

双Lloyd镜数字全息显微测量术

提出了一种双Lloyd镜数字全息显微测量技术.其基本思想是将Lloyd镜的共光束自干涉特性与双波长光学相位解包裹方法相结合,使用两个Lloyd镜调节参考光与物光夹角以形成共光束自干涉,从而获得一张双波长复合全息图,再通过角谱法再现得到每个波长对应的包裹相位,利用两波长的相位差求得解包裹后的相位图和三维高度分布图.采用532和632 nm两波长记录全息图,通过数值再现重构被测物体的振幅和相位信息.与标定值相比,实验值的误差小于5%,证明了该方法的有效性.     

采用短相干光数字全息术实现反射型微小物体的三维形貌测量

针对反射型微小物体，设计了一种可在三维形貌测量中实现微小物体分层记录的短相干光源无透镜傅里叶变换数字全息记录系统，并利用该系统对锥形微孔壁实现了分层记录.该系统可通过调节待测物体的位置，改变全息记录中的物光光程，从而获得重构三维物体所需要的一系列子全息图.该系统具有光路简洁，系统的附加误差小的特点.实验测量的轴向误差约为3.5%，横向误差约为2.6%.此外，在三维重构的过程中，为避免因散斑噪声较大而无法利用位相信息进行三维重构的情况，采用了最小二乘多项式拟合方法，将微小物体的一系列再现强度图像进行三维重构.由于避免了复杂的相位展开，所以不但运算简单，而且具有较强的抗散斑噪声能力.     

数字全息显微术中重建物场波前的相位校正

数字全息显微术克服了传统光学显微术无法直接提取样品相位信息的缺点,可以对活体细胞组织等相位型生物样品进行定量测量和有效观察。但在数字全息显微成像过程中,像场弯曲会对再现像相位分布的测量和观察产生影响。提出一种采用相位相减来校正数字全息再现像像场弯曲的方法。通过在样品加入前后两次拍摄全息图,并对数值重建像分别进行去包裹运算再令其相减,即可实现对像场弯曲的有效校正,对蝉翼和大蒜表皮细胞等相位型物体进行测量,并采用数值校正和相位相减两种方法对像场弯曲进行校正。与现有的数值校正方法相比,利用相位相减获得样品三维相位信息的方法更为简单、可靠,是校正像数字全息再现场弯曲的有效方法。     

数字像面全息与同轴全息实验研究

通过采用数字像面全息与同轴全息技术拍摄透明物体以及不透明物体的全息图,并在计算机上再现。结果表明,当记录较小物体的全息图像时像面全息技术更加合适。     

相位拼接技术在数字全息中的应用

在确保较高分辩率的前提下,提出了一种相位拼接技术以解决数字全息技术中扩大测量面积的瓶颈问题.在全息数字图记录过程中,确保相邻子孔径间具有重叠区域|拼接中采用相关算法确定重叠区域,并利用再现像重叠区域具有相同信息的特点使用最小二乘方法消除由于孔径的移动所产生的倾斜误差| 相关计算和最小二乘反复迭代把相邻再现像精确统一到一个坐标系下,从而实现测量面积的扩展.以平面物体的测量为例建立了数字全息相位拼接技术的理论模型,完成了对相位物体的2×2拼接模拟,并在对标准相位板2×2的拼接实验中获得了较好的拼接效果.     

Heuristic Optimization of Deep and Shallow Classifiers: An Application for Electroencephalogram Cyclic Alternating Pattern Detection

Methodologies for automatic non-rapid eye movement and cyclic alternating pattern analysis were proposed to examine the signal from one electroencephalogram monopolar derivation for the A phase, cyclic alternating pattern cycles, and cyclic alternating pattern rate assessments. A population composed of subjects free of neurological disorders and subjects diagnosed with sleep-disordered breathing was studied. Parallel classifications were performed for non-rapid eye movement and A phase estimations, examining a one-dimension convolutional neural network (fed with the electroencephalogram signal), a long short-term memory (fed with the electroencephalogram signal or with proposed features), and a feed-forward neural network (fed with proposed features), along with a finite state machine for the cyclic alternating pattern cycle scoring. Two hyper-parameter tuning algorithms were developed to optimize the classifiers. The model with long short-term memory fed with proposed features was found to be the best, with accuracy and area under the receiver operating characteristic curve of 83% and 0.88, respectively, for the A phase classification, while for the non-rapid eye movement estimation, the results were 88% and 0.95, respectively. The cyclic alternating pattern cycle classification accuracy was 79% for the same model, while the cyclic alternating pattern rate percentage error was 22%.     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

基于BP神经网络的焊点自动光学检测

提出了一种新的表面组装焊点的自动光学检测分类方法。采用单层环形光源获取焊点图像,并根据归一化分割曲线方程将焊点图像分成四部分,分别提取其特征。使用BP神经网络将焊点按照锡量多少分成三类:少锡,容许和多锡。实验结果证明该方法分类正确率达到了99.2%,具有较高的实用价值。     

Machine learning phase transitions of the three-dimensional Ising universality class

Exploration of the QCD phase diagram and critical point is one of the main goals in current relativistic heavy-ion collisions. The QCD critical point is expected to belong to a three-dimensional (3D) Ising universality class. Machine learning techniques are found to be powerful in distinguishing different phases of matter and provide a new way to study the phase diagram. We investigate phase transitions in the 3D cubic Ising model using supervised learning methods. It is found that a 3D convolutional neural network can be trained to effectively predict physical quantities in different spin configurations. With a uniform neural network architecture, it can encode phases of matter and identify both second- and first-order phase transitions. The important features that discriminate different phases in the classification processes are investigated. These findings can help study and understand QCD phase transitions in relativistic heavy-ion collisions.     

多种形式的加权广义Farey组织网络金字塔的复杂性

构建了三类确定性加权广义Farey组织的网络金字塔.理论推导并数值计算了网络金字塔的拓扑性质(度分布、平均最短路径、平均聚类系数和相称性系数等),进而将Farey序列作为网络节点的确定、随机和混合的三种权重值,以此为基础计算并拟合了三类网络金字塔的点的强度分布和边的权重分布.计算结果初步揭示了加权广义Farey组织的网络金字塔的复杂性特征,有助于了解一些实际网络的复杂性和多样性.     

联合深度编解码网络和时频掩蔽估计的单通道语音增强

提出了一种联合深度编解码神经网络和时频掩蔽估计的语音增强方法。该方法利用深度编解码网络估计时频掩蔽表示,并联合带噪语音的幅度谱学习带噪语音与纯净语音幅度谱之间的非线性映射关系。深度编解码网络采用卷积-反卷积网络结构。在编码端,利用卷积网络的局部感知特性,对带噪语音的时频域结构特征进行建模,提取语音特征,同时抑制背景噪声。在解码端,利用编码端提取到的语音特征逐层恢复局部细节信息并重构语音信号。同时,在编解码端对应层之间引入跳跃连接,以减少由于池化和全连接操作导致的低层细节信息丢失的问题。在TIMIT语音库和不完全匹配噪声集下进行仿真实验,实验结果表明,该方法可以有效抑制噪声,且能较好地恢复出语音细节成分。      

基于神经网络的NMR谱图自动相位校正综合算法

目前,已有多种算法被应用在核磁共振谱图自动相位校正中,由于各种算法本身特性和所基于谱图的具体特性的差异,不同算法对于特征不同的谱图的适用性也各不相同. 针对这一情况,文在综合研究多种现有自动相位校正算法的基础上,提出了一种基于神经网络的,可以根据谱图的特征来选取最合适的算法进行自动相位校正的综合算法. 实验表明,本算法可以获得比以往方法更好的计算结果.     

Koopman analysis of nonlinear systems with a neural network representation

The observation and study of nonlinear dynamical systems has been gaining popularity over years in different fields. The intrinsic complexity of their dynamics defies many existing tools based on individual orbits, while the Koopman operator governs evolution of functions defined in phase space and is thus focused on ensembles of orbits, which provides an alternative approach to investigate global features of system dynamics prescribed by spectral properties of the operator. However, it is difficult to identify and represent the most relevant eigenfunctions in practice. Here, combined with the Koopman analysis, a neural network is designed to achieve the reconstruction and evolution of complex dynamical systems. By invoking the error minimization, a fundamental set of Koopman eigenfunctions are derived, which may reproduce the input dynamics through a nonlinear transformation provided by the neural network. The corresponding eigenvalues are also directly extracted by the specific evolutionary structure built in.     

GaN hexagonal pyramids formed by a photo-assisted chemical etching method

A series of experiments were conducted to systematically study the effects of etching conditions on GaN by a con-venient photo-assisted chemical （PAC） etching method. The solution concentration has an evident influence on the surface morphology of GaN and the optimal solution concentrations for GaN hexagonal pyramids have been identified. GaN with hexagonal pyramids have higher crystal quality and tensile strain relaxation compared with as-grown GaN. A detailed anal- ysis about evolution of the size, density and optical property of GaN hexagonal pyramids is described as a function of light intensity. The intensity of photoluminescence spectra of GaN etched with hexagonal pyramids significantly increases compared to that of as-grown GaN due to multiple scattering events, high quality GaN with pyramids and the Bragg effect.     

基于异步延迟采样的光通信性能监测方法

基于异步延迟采样和人工神经网络统计学习提出了一种光通信性能监测方法。通过对高速光信号进行异步延迟采样,获得信号二维幅度直方图,然后提取其中特征参数并对人工神经网络进行训练,最后以人工神经网络的预测输出实现对光信号损伤的监测。构建10 Gb/s非归零码开关键控,40 Gb/s光学双二进制码和归零码差分移相键控光通信仿真系统,并对光信噪比、色散和偏振模色散损伤进行监测。仿真结果表明,所提方法对被监测光信号的速率、码型调制格式透明,可同时准确监测多种并存的传输损伤,损伤参数监测误差小于5%。该方法具有电域处理带宽要求低、采样机制简单的特点,适用于分布式在线光性能监测。