光子计数荧光偏振仪

报导了一台自制的荧光偏振仪.仪器应用了光子计数技术,以提高检测灵敏度.介绍了整机结构,对光子计数器的三个组成部分作了详细说明.最后介绍了光子计数器和偏振器的调试方法.     

基于偏振分束的磁光成像技术研究

针对现有磁光成像技术的测量结果难以量化且受光源波动影响较大的问题,提出了一种基于偏振分束的磁光成像新方法.根据偏振光的琼斯矢量描述方法推导出偏振分束法测量旋光角度的模型,并由此模型分析得出,从旋光物质出射的偏振光经偏振分束装置后输出的平行分量和垂直分量进行“差除和”的结果与入射光强无关,只和旋光角度值相关;由此原理,设计了基于CCD的检测平台,对旋光角度场进行了测量实验,又采用归一化互相关和“差除和”算法对测量图像进行了处理;最后,进行了基于该方法的磁光成像应用实验研究.实验结果表明,与传统磁场成像方法相比,该方法操作简单,结果易于量化,不受光强波动影响,误差降低约3倍,且稳定性较好.     

基于弹光调制的偏振态测量方法

偏振编码是利用光信号的偏振态承载信息进行编码,旨在解决高速光纤通信中非线性效应和偏振模色散等问题。本文提出了基于弹光调制器的偏振态测量方法,该方法不仅保留了原有弹光调制器偏振测量的优点,并且克服了现有方法无法用阵列探测器有效采集信息及调制频率高等缺点,同时给出了Matlab模拟仿真及实验验证方案。理论分析、模拟仿真及实验验证了该方法的可行性。测量结果的误差分析表明,该方法能满足测量要求,这为偏振编码在高速光纤通信中的应用创造了条件。     

基于LabVIEW的高精度气压仪

在国外利用硅压敏元件进行气压探测已经非常成熟。而且应用非常广泛。本文介绍了一款高精度气压仪。它是通过硅压敏元件输出的模拟信号。经数字转换后得到数字气压信号的仪器。该气压仪通过串口将数据发送到到上位机,上位机对数据进行处理、分析。     

激光光散射仪及应用

介绍激光光散射仪的测定原理,常用测定仪器、测定方法以及在聚合物研究中的实际应用。     

通信系统中光信噪比和偏振模色散的同时监测

提出了一种用偏振扰频和偏振光分束相结合实现光信噪比和偏振模色散同时监测的简便方法,通过测量两正交偏振测量臂中的偏振信号的光功率和消偏的背景噪声得到光信噪比(OSNR)和偏振模色散(PMD).监测得到的OSNR和PMD是相互独立的,从而使得网络操作者能够区分传输链路中光噪声和偏振模色散的影响.对20 Gb/s的传输链路的实验表明,OSNR的变化范围在18～36dB,PMD值的变化范围为0～73ps.     

一种基于神经网络的X光图像畸变校正方法

通过对X光图像所产生畸变的分析,提出了一种基于泛化能力的神经网络系统整体校正方法。该方法只需确定网络输入输出和约束条件,无需考虑中间过多的不确定因素,即可建立空间点与图像点的映射关系,然后采用双线性变换进行灰度插值。实验表明,该方法校正效果好,能够满足对图像进行分析处理的要求。     

基于BP神经网络的结构光三维视觉检测方法研究

本文基于反向传播神经网络对结构光三维视觉检测方法进行了研究。首先介绍了结构光三维视觉检测原理，并对BP算法的基本原理进行了阐述。在此基础上较详细地提出了用于神经网络训练和测试的样本点的空间坐标和图像坐标的样本数据获取方法以及光电瞄准装置的结构设计，最后利用样本数据对BP神经网络进行了训练和测试，最佳BP神经网络的训练精度为0.085mm，测试精度为0.132mm。     

光弹调制差频偏振测量及误差分析

针对现有光弹调制测量偏振方法无法用普通阵列探测器有效采集锁相频率,难以测量复色光的偏振特性等缺点,提出了一种三光弹调制器互差频调制的新型偏振测量方法.操作时,3个光弹调制器分别工作在频率w1,w2和w3上,三频率大小略有差异,从而可以对光进行差频调制并产生载有被测光偏振信息的低频调制分量(0,w1-w2,2w1-2w3);然后,通过锁相放大即可以一次测量获得斯托克斯矢量S中的S0,S1和S2.介绍了三光弹调制差频偏振测量的基本原理,通过相应的数值仿真和实验验证了其可行性,并对差频大小、相位延迟幅度等因素对测量结果的误差进行了初步分析.分析表明,该方法不仅保留了原光弹调制偏振测量方法测量精度高等优点,而且调制光电流频率下降了2～3个数量级(10～500 Hz),普通阵列探测器即可实现探测,在高精度偏振成像技术方面具有潜在的应用价值.     

基于光偏振特性测定烟雾浓度的新方法

基于光偏振特性 ,从理论上分析和实验上验证了载有物像信息的子弹光在烟雾介质中传播时强度的变化规律 ,提出了一种测定烟雾浓度的新方法     

融合线性方法和神经网络的摄像机并行标定技术

从摄像机成像模型的基础原理出发,针对神经网络的特性,构建不同的训练点集以获得不同的神经网络.提出对物点的世界坐标(XW,YW,ZW)信息分别进行标定,称之为并行标定.此方法不局限于单个平面位置的标定,标定过程中让标定模板沿ZW方向移动,覆盖一个三维标定区域.与以往标定方法相比,由于该方法减少了标定点数目,此方法在提高了标定精度的同时提高了标定速度.实验结果表明,该方法在XW轴和YW轴方向上的距离测量精度优于0.1%,在ZW轴方向上的距离测量精度优于1%.     

基于神经网络融合的传感器温度误差补偿

海底油气输送管道漏磁检测装置工作于高温高压环境下,其中的InSb霍尔传感器对温度敏感,需要补偿温度误差。该文构建了多传感器融合模型,将多个霍尔传感器和温度传感器的输出用径向基函数（RBF）神经网络进行融合,用遗传算法对网络进行训练。实验室检测数据和反演出的缺陷形状表明,采用神经网络融合方法进行误差补偿,简单方便,霍尔传感器输出的平均温度敏感系数降低了两个数量级。     

基于并联多尺度卷积神经网络的微动脉瘤检测方法

由于视网膜图像中微动脉瘤尺寸小、背景干扰多,导致传统方法检测时准确率低,现阶段的深度学习模型大多针对大尺寸目标进行检测,存在结构复杂、对小目标的检测效果不佳的问题。 为解决以上问题,提出了一种基于并联多尺度卷积神经网络的微动脉瘤检测方法。 首先,建立微动脉瘤尺寸与检测用理论感受野之间的对应关系;然后,根据微动脉瘤的类型和尺寸范围构建包含两个感受野尺度的并行卷积网络;最后,提出了一种基于主动学习的训练集构建与数据增广方式,以提高模型的检测性能。 方法在两个公开数据集和 1 个自采眼底数据集中进行了对比实验,实验结果表明,该方法能有效实现微动脉瘤的检测,相比于同类方法对于小尺寸和与血管粘连的微动脉瘤具有更好的检测效果。     

基于神经网络的分阶车牌字符识别算法研究

为了提高复杂环境下车牌字符的识别率和识别速度,提出了一种基于BP神经网络和卷积神经网络(CNN)的分阶车牌字符识别算法。该算法第一阶段采用BP神经网络对车牌中的汉字、非相似字符进行识别;并在第二阶段用改进的CNN对车牌中的相似字符进行识别。最后通过实验横向、纵向对比,验证了该神经网络算法的有效性。实验结果表明,相对于传统的BP神经网络算法,明显提高了车牌字符的识别率,同时减少了车牌的识别时间。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

基于粗糙集和ART2 神经网络的多传感器信息融合

神经网络是信息融合的一种重要方法,粗糙集理论是处理不完备信息的一种技术。本文提出了一种基于粗糙集和ART2神经网络的多传感器信息融合方法。ART2网络是一种无监督神经网络,能够实现对输入的任何模式信号自动识别和分类。而对信息融合中常遇到的数据超载问题,提出采用粗糙集与神经网络结合的方法解决。文章给出了基于粗糙集理论的组合神经网络的模型结构,最后用一个脱机手写体数字识别的实例验证了该方法的有效性。     

基于BP神经网络的压力传感器数据融合研究

压力传感器由于输出电压值易受环境温度、电压扰动等非目标参量的影响而导致精度大大降低。该文采用BP神经网络对压力和温度2个目标参量进行数据融合处理,减小了两者相互交叉干扰敏感度。结果表明,采用BP神经网络进行数据融合,能够提高传感器的稳定性及其精度,仿真验证了该方法的有效性和可行性。     

基于CNN的火炮身管全景图像疵病识别方法

针对火炮身管内膛疵病种类多、定性定量分析难和检测自动化程度低等问题,本文提出一种以卷积神经网络为基础的疵病识别方法。首先,对全景图像进行预处理,主要包括全景展开、光照强度调整、膛线去除等;其次,通过最优阈值法对图像进行二值化处理,并利用四连通域法提取疵病区域;最后,采用卷积神经网络对疵病进行自动的分类识别。实验结果表明,该方法能有效避免人工疵病特征提取和人工特征描述计算等复杂步骤,实现了"采集-识别-判定"全过程的自动运行,真正实现了窥膛检测的自动化,身管疵病的识别率超过92%,识别准确率远高于基于统计学原理及支持向量机的分类方式,具有较高的准确性,为火炮身管修复及寿命预估等奠定了坚实的基础。     

应用广义回归神经网络重建点云曲面

针对现有曲面重建神经网络算法误差大的缺点,并根据广义回归神经网络解决函数逼近问题的特点,提出了一种针对点云曲面重构的广义回归神经网络,并编制Matlab程序对点云曲面做了仿真试验；仿真结果表明：该模型逼近曲面误差精度达到网络设计要求的10~(-4)mm,网络学习速度快,重建曲面光顺．     

采用遗传神经网络的直线伺服系统速度自适应控制

针对永磁直线同步电动机伺服系统多变量、强耦合、非线性,以及时变的特点,提出一种基于径向基函数(RBF)神经网络的永磁直线同步电动机速度控制方法,该方法根据RBF神经网络的结构特点,对其参数采用遗传算法进行离线训练,并通过在线训练调整隐层与输出层的连接权值,实现了电动机速度的自适应控制.实验结果表明,与常规PID控制相比,RBF神经网络控制器提高了直线伺服系统的静态和动态性能,使得电动机在启动和负载改变时转速超调量减小,且转速能更快地趋于稳定.