可见光通信系统的非线性失真抑制研究北大核心CSCD

发光二极管的非线性特性是引起光信号出现非线性失真的一个重要因素,针对该问题,采用人工神经网络在接收端对信号的非线性失真进行抑制,进而降低可见光通信系统的误码率。将发光二极管的输入电信号与接收端转换后的电信号组成成对数据,将成对数据集送入神经网络进行训练,学习信号在电光转换、信道传输及光电转换过程中的非线性失真特性,通过神经网络对信号的非线性失真进行估计与抑制。此外,在训练过程中采用分布估计算法搜索神经网络的超参数集,以降低训练难度。实验结果表明,该方法在不同的信道环境下均能有效地改善可见光通信的性能。     

基于GA__BP算法的超导储能装置直接功率控制策略

将遗传算法优化得到的权值赋予神经网络,以消除神经网络的局部最优性。再将这种算法应用到超导储能系统(Superconducting Magnetics Energy Storage,SMES)中,得到一种能够改善超导储能系统响应时间,提高超导储能装置稳定性的直接功率控制策略。仿真结果表明,本文提出的控制策略获得了较好的控制效果,适用于超导储能系统。     

热流计校准装置自适应温度控制方法研究

以热流计校准装置为研究对象,建立了热板温度仿真模型。根据模糊控制原理和BP神经网络原理,分别设计了模糊PID控制器和BP神经网络PID控制器,并在Matlab的Simulink下进行了不同控制方法的仿真对比实验。仿真结果表明:模糊PID有更快的响应速度、更短的稳定时间,BP神经网络PID有更小的超调量。     

BP神经网络在光学相关器相关峰识别中的应用

光学相关识别是图像识别的重要方法，有效识别相关器输出平面的相关峰信号是保证光学相关器图像识别准确性的关键。由于激光器输出功率的波动、光学系统本身的误差以及SLM器件本身带来的噪声，采用一般的阈值方法很难达到理想的效果。该文提出对相关器的输出平面进行预处理，充分考虑相关信号的形状信息，提取感兴趣区域(ROI)，采用BP神经网络对输入矢量进行计算，可达到对相关峰信号和噪声的有效分类识别，从而提高了光学相关器识别的可靠性，降低了误判的概率。     

一种基于激光直写的水浊度传感结构

提出并制作了一种基于激光照射改变折射率方法的光度比浊度传感单元,综合了导波光学及检测相关知识原理.以UV光敏树脂为基底材料,采用“气体干法”除胶及分步固化的方法获得了该芯片化结构.传感器整个制作过程仅仅需要7~8 min因而使本方法具有很高的效率.由直写成型的单元组建传感系统对标准悬浊液样品进行了实验测试,所得的相关数据在SISO算法神经元网络系统中进行处理,获得了传感器浊度与对应散射系数的关系曲线.通过试剂检验的方法得知实际相对误差在5%左右.     

新型BODIPY荧光染料的合成及光谱性质研究

传统的BODIPY荧光染料具有荧光量子效率高、摩尔消光系数大、紫外吸收和荧光发射峰窄等优点,然而这类荧光染料普遍存在荧光发射波长短和Stokes位移小的缺点,因而限制了它们在体内生物传感及成像方面的广泛应用。为了得到荧光发射波长较长和Stokes位移大的BODIPY荧光染料,以BODIPY母核为基本结构,通过在它的8位连接吸电子性质的酯基来增加分子内电荷转移程度,同时在其3,5位引入供电子的芳香取代基增加分子的π共轭结构,合成得到了一类8位酯基取代的新型BODIPY荧光染料。所得到的新型BODIPY荧光染料的化学结构经过1H NMR, 13C NMR和HR-MS得以确认。光谱测试结果表明,这类染料的紫外吸收光谱(λ_abs=536 nm)和荧光发射光谱(λ_em=592 nm)与普通的BODIPY相比都发生显著红移(80 nm),并且保持了较高的荧光量子效率(Ф=0.43)。此外,这类BODIPY荧光染料的紫外可见吸收光谱和荧光发射光谱几乎完全分开,Stokes位移长达60 nm,可以有效地避免自吸收和生物样品的背景干扰。密度泛函理论计算结果表明,这种相对较大的Stokes位移主要是由于染料分子在基态和激发态下不同的几何构型所造成的。该类化合物的光物理性能受溶剂的影响小,是一类性能优良的新型荧光染料。细胞成像结果表明,染料1具有良好的细胞渗透性和光稳定性,可以实现对细胞的荧光成像。     

极低频高压脉冲电场对萌发玉米种子超弱发光的影响

生物超弱发光是来自细胞的电磁信号,在揭示电磁生物学效应的机理研究中具有重要作用.为了研究极低频脉冲电场生物学效应及其机理,采用基于玉米细胞电位波动频率的1 Hz极低频高压脉冲电场处理萌发玉米种子,结果发现玉米种子的萌发过程明显加快,根长和芽长均有显著增长.对萌发种子的自发发光和延迟发光的测量结果显示,1 Hz极低频高压脉冲电场对萌发过程中玉米种子的自发发光和延迟发光积分强度都有明显的促进作用,表明1 Hz极低频高压脉冲电场加速了玉米种子萌发过程中的DNA合成和细胞代谢.     

时频域分形维数分析的光谱信号重叠峰解析算法

由于光谱谱线存在自然展宽、多普勒展宽、碰撞展宽等,使混合气体中多种成分的吸收光谱信号出现相邻谱峰重叠现象,给混合气体组成成分的定性或定量检测带来较大的困难。现有的方法在获取先验知识、处理精度、运算效率等方面存在不足。提出基于时频域分形维数分析的光谱信号重叠峰解析算法,结合小波的多尺度观测能力和分形的自相似度的度量能力,识别、定位和解析光谱信号中的重叠峰。首先利用小波对具有重叠谱峰的光谱信号进行光谱频率域和尺度域的分析,然后对该时频域的光谱信号在同一光谱频率下的多尺度数据进行自相似性度量和分形计算。逐频率计算后得到光谱信号在频率域的分形维数曲线。该曲线体现了光谱信号在不同尺度的自相似性,其极值位置与光谱信号的各独立峰的位置具有相关性。依据此特性,结合分形曲线的特征参数,最后利用神经网络解析出对应混合气体成分的混叠在一起的各个独立谱峰。该方法利用小波的多分辨率特性,对信号进行不同尺度的精细度量。分形模型则提高了系统解析复杂信号的能力,对重叠程度高的多谱峰重叠信号也有很强的处理能力。借助人工神经网络,实现了整个算法的自动测量。通过实验结果分析,验证了算法的有效性,并讨论影响算法效果的主要因素。     

基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测

植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一,然而MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中SARIMA方法用于建模及预测LAI时间序列中的线性部分,BP神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示：SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑;SARIMA-BP神经网络组合方法的决定系数为0.981,比SARIMA和BP神经网络的0.941和0.884更接近于1;SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论：SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于SARIMA方法或BP神经网络方法。     

基于自适应径向基神经网络的类星体光谱自动识别方法

通过对光谱的研究来识别和认证类星体是天文学研究中的重要方法。文章提出了一种对类星体光谱进行自动识别的自适应径向基神经网络(RBFN)方法。该方法包括以下几个步骤: (1)先将训练样本归一化,再利用PCA变换进行降维,获得样本特征向量; (2)设计出K均值聚类算法与梯度下降法相结合的径向基神经网络结构的基本模型,再用SSE(sum of squares error)误差函数进行判断,对RBFN隐含层的神经元进行自动调节,直至满足给定误差阈值; (3)用训练得到的参数对用于测试的样本中的类星体光谱进行识别。该方法不但克服了经典RBFN算法选择隐层神经元数目的困难,而且还提高了对类星体识别的稳定性和正确率。研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。