针对脉搏波信号采集过程中存在噪声的问题，提出了基于改进互补集成经验模态分解的脉搏波去噪算法。利用光纤布拉格光栅传感器获取脉搏波信号，首先在互补集成经验模态分解算法中加入高斯白噪声，然后利用粒子群算法优化高斯白噪声幅值，以此来消除互补集成经验模态算法分解产生的模态混叠现象，并联合小波阈值函数对其处理后的脉搏波信号进行重构。实验结果表明，所提算法能够有效降低脉搏波信号中的噪声干扰，在信噪比、均方误差两个指标上均优于对比算法，为提取脉搏波的时域特征奠定了基础。

针对室内可见光定位接收信号强度易出现波动从而产生较大定位误差，以及从一个定位单元迁移到其他定位单元可能会降低定位精度的问题，笔者提出了一种基于注意力机制的卷积神经网络的室内三维定位方法，以减小接收信号波动产生的影响，并采用迁移学习将在第一个定位单元中训练的网络迁移到其他定位单元中，在保证定位精度不变的前提下减少了训练网络的成本。仿真结果表明：所提算法在5 m×5 m×3 m的定位单元内可以实现平均误差为3.54 cm的三维定位；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.67 cm的定位。实验结果表明：在1.2 m×0.75 m×1.2 m的定位单元实验中，所提算法可以实现平均误差为3.32 cm的三维定位，90%的误差分布在4.12 cm内；采用迁移学习将已训练网络部署到第二个定位单元中，可以实现平均误差为3.35 cm的定位。与现有算法相比，所提算法迁移前后的定位精度均有所改善。

针对室内用户在非均匀分布时选择最高信号强度接入点（AP）导致系统总速率和用户服务质量较低的问题，提出联合AP和功率分配的方法。考虑多个LED作为AP的可见光通信（VLC）网络，根据用户分布设计了一个基于用户信道增益权重回溯（BM）的AP分配算法，使权重较低的用户接入到其他AP，降低资源竞争严重的LED上的用户负载；为了使所有用户均能满足通信需求，提出改进逐维动态正余弦算法（IDDSCA）的转换参数，并引入基于最优解方向的自适应搜索策略。利用IDDSCA动态调整每个AP下行链路的功率分配，同步优化系统总速率和用户服务质量。仿真结果表明，所提BM-IDDSCA方案相较于BM-DDSCA、SLCG-IDDSCA、BM-αPA、MT-PA与SLCG-QTPA方案在总速率方面分别提升2.94%、4.20%、2.03%、62.90%、4.89%。

本征正交分解（POD）方法已经广泛应用于时间变化随机场的分析，但其直接法或快照法存在自身固有缺陷，前者使关联矩阵求解特征值和特征向量较为困难，后者的有限抽样帧数会影响对随机场的统计特性分析。鉴于此，本文建立了基于泽尼克（Zernike）多项式加权系数的Zernike-POD方法，用于气动光学效应的波前模态统计分析。对于圆域问题，Zernike多项式阶数给定后，各阶加权系数与波前分布是一一对应的，并且通常用几百阶多项式就足以复原各种复杂波面形状。Zernike-POD方法由对波前本身改为对Zernike多项式加权系数的分解和模态计算，由于多项式阶数远少于波前的空间离散点数，因此，关联矩阵的维数降低，计算量减少，计算效率显著提高。Zernike-POD方法不损失空间分辨率，同时不需要限制最高采样帧数，因此，时间统计特性不受影响，预估的波前模态具有较高的时空分辨率。为验证该方法的有效性，用大涡模拟方法开展圆柱绕流数值仿真，并计算圆柱尾迹卡门涡街结构产生的时间系列气动光学效应数据，将该数据用于波前模态分析，波前空间分辨率为100×100，采样帧数为2万帧，Zernike多项式阶数取为217阶。一阶模态与稳态波前分布相似，二阶与三阶、四阶与五阶模态近似互为配对关系；前10阶模态能够基本复原波面形状，前49阶模态含能在97%以上，用完整模态重构的波前与原始波前没有本质差异；模态加权系数及其功率谱随阶数增加而呈下降趋势，前五阶模态加权系数的功率谱尖峰频率与光学窗口中心点脉动速度情况较为一致，对应卡门涡街的主频，斯特劳哈尔数St约为0.22。Zernike-POD方法适用于圆域波前模态分析，也适用于环形域和正方形域，并能够推广到流场结构、图像与信号等处理领域。

爱因斯坦探针卫星是一项针对时域天文学的任务，搭载的科学载荷后随X射线望远镜配备嵌套式镍镀金Wolter-I型X射线望远镜具有高灵敏度。角分辨是Wolter-I型X射线聚焦镜的重要性能指标，通常采用半能量直径表示。由于X射线聚焦镜在可见光与X射线下的光路相同，可以使用可见光代替X射线进行聚焦镜角分辨性能的检测，但也引入了可见光衍射的影响，为了说明此种影响，根据圆孔的夫琅禾费衍射理论，推导遮盖率极大的细圆环衍射分布公式，计算单层Wolter-I型镜片的可见光测试衍射影响。使用EP-FXT#18镜片在473 nm平行光条件下进行角分辨测试，可见光测试角分辨为32.02″±0.44″，推导计算可见光衍射影响为20.15″，从可见光测试结果中扣除衍射引入的误差影响后角分辨约为24.90″±1.61″，与中国科学院高能物理研究所在百米真空X射线下对镜片的测试结果25.10″+1.55″一致。

本文提出了一种基于融合改进策略的快速鲸鱼优化算法（FWOA），用于解决室内可见光通信（VLC）系统中光信号分布不均匀的问题。该算法通过反向学习和非线性收敛因子提升了收敛速度，采取扰动搜索机制实现全局寻优。在考虑发光二极管（LED）部署高度的光源布局和功率分配方面，采取了同步优化方案。实验结果表明，在优化16个LED布局模型后，系统照度均匀度提升了7.39%~109.03%，接收功率的品质因子由5.25提高到12.23，同步优化后进一步提高至15.12。此外，实验发现，当LED数量存在限制时，通过选择合适的LED数量，可以在系统能量和性能之间达到较好的平衡。

针对现有的非对称限幅光正交频分复用（ACO-OFDM）可见光通信（VLC）系统中信道估计方法存在导频数量过大、精度低、估计效率不高的问题，提出一种基于深度神经网络（DNN）的VLC信道估计方法。利用梯度集中化（GC）方法进行模型优化，并采用端到端的方式跟踪信道信息并恢复失真信号。仿真结果表明：所提方法的误码率（BER）和均方误差（MSE）性能均优于传统方法；在使用较少的导频和省略循环前缀（CP）进行信道估计时，所提方法具有更强的鲁棒性。此外，在DNN训练过程中引入GC方法，可以加快网络的收敛速度，提高其优化能力。

茶叶是全球最受欢迎饮品之一, 且具有丰富的营养价值, 但目前市面上的茶叶鱼龙混杂, 难以辨别。 因此, 快速准确的分类方法对茶叶进行鉴别具有重要的研究意义。 由于大多数化合物基频吸收带均出现在波长为2 500～25 000 nm的中红外区域, 茶叶的中红外光谱中含有大量关于茶叶品种的特征鉴别信息, 利用这一显著特点可以对其进行分类。 提出模糊协方差学习矢量量化(FCLVQ), 该算法在GK(Gustafson-Kessel)聚类的基础上, 引入学习向量量化(LVQ)中学习速率的概念, 用以控制模糊类中心的更新速率。 FCLVQ结合中红外光谱, 通过不断迭代计算样本模糊隶属度值和模糊聚类中心, 实现对茶叶的快速精准分类。 选取市场上的峨眉山茶叶、 优质竹叶青茶叶、 劣质竹叶青茶叶作为实验对象。 将实验对象分为3组（每个品种各1组）, 每组32个, 共计96个样本。 利用FTIR-7600型傅里叶红外光谱分析仪分别采集每组样本的中红外光谱数据, 每组样本采集三次, 取其平均值作为样本的红外光谱数据。 首先, 由于原始光谱含有噪声数据, 故使用多元散射校正(MSC)作降噪预处理; 其次, 由于光谱数据维数高达1 868维, 采用主成分分析(PCA)将光谱数据降至14维, 其14个主成分的累计贡献率为99.74%; 然后将降维后的光谱数据使用线性判别分析(LDA)进一步降至2维, 同时提取数据中的鉴别信息; 最后运行模糊C均值聚类算法(FCM), 将其运算得到的聚类中心作为FCLVQ的初始聚类中心参与迭代, 设置模糊隶属度的权重指数m=2, 最终分类准确率高达95.25%。 将FCM算法、 GK算法、 模糊Kohonen聚类网络(FKCN)算法与FCLVQ算法的运行结果进行对比, FCM, GK和FKCN的分类准确率分别为90.91%, 92.41%和90.91%。 结果表明, 与其他三个算法相比较, FCLVQ在m=2, 主成分个数为14时有着更好的分类效果, 可以用来实现对茶叶品种的准确分类。