三波非共线作用参变过程的相位匹配研究

对各向异性单轴和双轴非线性晶体中三波非共线作用参变过程的相位匹配进行了详细的研究，给出了参变光在非线性晶体主平面内传播的所有非共线参变过程可能的相位匹配类型和相位匹配条件，并推出了所有可能的非共红参变过程的临界相位匹配解的解析表达式。     

双轴晶体主平面上倍频的相位匹配参量

根据折射率椭球方程及双光轴晶体中光波的传播与偏振特性，分析双轴晶体在主平面内激光倍频相位匹配的特性与方法，导出光波在主平面上传播时倍频的相位失配关系；给出双轴晶体中容许相位匹配倍频的相位匹配角及混频的有效非线性系数deff的表达式。利用可相位匹配的类型、相位匹配角公式和有效非线性系数deff表达式的表，容易对任意一具体晶体在一给定波长求出实际能实现相位匹配的类型或偏振组合，算出相位匹配角，比较不同的相位匹配类型或偏振组合的有效非线性系数，选择最佳的相位匹配类型与方向。从相位失配关系可以计算晶体主平面内倍频的接收角、接收光谱宽度等特性参量。     

立体视觉测量中的图像匹配策略研究

立体视觉测量广泛应用于机器人导向和各种柔性制造系统中 ,其中图像特征的准确匹配始终是一个难题。推导了共极性线方程 ,采取相关匹配和特征匹配相结合的方法来提高图像匹配的速度和精度 ,利用建模估计得到匹配像点的精确坐标 ,使三维测量精度达到目标距离的 1/10 0 0 0左右     

基于正交小波包的茶叶近红外光谱特性分析

针对茶叶近红外光谱数据中存在着高度的共线性和高维数,根据小波包变换具有的去相关能力。通过引入保留能量和置零系数来定量描述茶叶近红外光谱小波包变换后的特性;分析与实验表明,正交小波包对近红外光谱具有较强的压缩能力,压缩后保留的能量为99．98％,而置零系数百分比高达95．87％;这一结果对近红外光谱图的存储、检索及快速处理都有着十分重要的意义。     

一种结合几何相容性分析的谱匹配算法

为了可靠地实现点模式匹配,提出了一种基于谱图理论与几何相容性分析的点模式匹配算法。利用拉普拉斯矩阵的特征向量获得待匹配点集间谱匹配代价的表示;结合以邻近关系表示的几何相容性,定义了一种混合形式的匹配目标函数;给出了基于松弛迭代的求解算法。仿真数据和真实图像上的比较实验表明所给出的方法具有较好的精度与时间性能。     

计算机自动配色预测算法研究

基于配色基础理论Ｋｕｂｅｌｋａ－Ｍｕｎｋ定律的常数形式，建立了计算机自动配色的三刺激值匹配算法，通过纺织印染自动配色预测实验表明该算法可获得色差ΔＥ小于０．１０ＣＩＥＬＡＢ的满意配方。     

高效液相色谱法测定巴豆油中佛波醇

建立巴豆油中佛波醇（Phorbol）的含量测定方法。用HPLC测定水解后佛波醇的含量,并通过正交法优化巴豆油水解条件。采用Kromasil C₈（4.6mm×250mm,5μm）色谱柱,流动相为甲醇:水=20:80.流速为1.0mL/min.柱温为25℃,检测波长为234nm。在46.8—468μg/mL范围内佛波醇浓度与峰面积线性关系良好.回归方程为y=9820.8x+50238,r=0.9999;回收率为93.16%,RSD为2.73%。巴豆油的优化水解条件:温度20℃,料液比1:8（mL/mL）,水解3h,此条件下佛波醇的产率最高,平均产率为2.41%。所建方法易于操作、结果稳定、重现性好,可用于巴豆油中佛波醇的含量测定。     

正交设计优选掌裂草葡萄中总黄酮的提取工艺

以芦丁为标样,采用荧光光度法测定掌裂草葡萄中总黄酮含量。以总黄酮提取率为考察指标,采用正交设计方法优选最佳提取工艺。结果显示:其优选工艺为:药材加15倍量的60%乙醇,在60℃下回流提取2.0h,重复提取3次,总黄酮提取率为35.99%。     

正交试验法优选山绿茶中乌苏酸提取工艺

筛选山绿茶中乌苏酸的最佳提取工艺。采用正交设计L9(34)考察液固比、提取时间、乙醇浓度和提取次数4个因素,用高效液相色谱法测定山绿茶中乌苏酸的含量。山绿茶中乌苏酸的最佳提取工艺为A2B3C3D1,即选择液固比(mL/g)10∶1、提取时间4h、乙醇浓度90%、提取次数1次。本法工艺合理,质量稳定,适宜于工业化生产。     

温度影响下短波近红外酒精度检测的传递校正

短波近红外光谱结合多元校正方法测量酒精度具有快速、无损的特点,可以现场应用和在线检测。但是温度对预测模型的性能影响很大。作者研究了温度变化对乙醇水溶液的短波近红外光谱的影响,采用四种方法建立了温度变化下的偏最小二乘(PLS)传递校正模型：直接校正、全局校正、正交信号处理(OSC)和广义最小二乘加权法(GLSW)。结果表明,温度变化时直接传递校正存在很大的预测系统偏差,而采用全局校正、OSC和GLSW均能在一定程度上减小系统误差。全局校正需要较多的建模样品数量,得到的模型也更为复杂。而OSC和GLSW方法能得到更为简洁的模型和优良的预测结果。相比之下,GLSW算法得到的预测误差和使用的建模隐含变量数目均小于OSC方法,能够建立更为稳健的传递校正模型。