针对猕猴桃硬度品质无损检测分类困难的问题，提出了结合高光谱成像技术和卷积神经网络的分类模型。该模型融合Haar小波核提取的空间特征信息和三维卷积核提取的空谱联合信息，采用分解数据通道连接的方式确保所有特征能够流到模型末尾，提升了网络特征提取的能力。通过自制的猕猴桃硬度品质Kiwi_seed数据集上的实验表明，Haar小波变换模块可以显著提升网络的特征提取能力；通过消融实验表明，在增加Haar小波变换模块后模型的分类准确率提升了7.4%，最优可达97.3%，优于经典的图像分类网络，可以很好地解决猕猴桃硬度品质的无损检测分类问题。

在可见光通信中，由于信道的多径效应和信道衰减在传统正交频分复用（OFDM）系统会产生符号间干扰，从而降低系统的可靠性。为了保障通信质量，采用带有循环前缀的OFDM系统来抵抗多径效应引起的符号干扰；为了降低系统的误比特率和峰均比，采用Haar小波来实现系统有效性、可靠性、峰均比等参量的性能优化，并采用蒙特卡洛法进行了仿真验证。结果表明，当系统的误比特率为10-4时，离散小波变换OFDM系统较快速傅里叶变换OFDM（FFT-OFDM）系统的误码性能大约提高了5dB，通信效率提高了大约11%；当系统的峰均比为5dB时，FFT-OFDM系统的互补累计分布函数（CCDF）值接近10-2，DWT-OFDM系统的CCDF值为0。该研究为可见光小波变换OFDM通信提供了参考。

阶跃样品显微测量时, 样品三维形貌本身丰富的阶跃信息极易受到噪声高频信号的干扰, 如何在滤除噪声的同时保持三维形貌的阶跃特征, 实现对样品表面三维形貌信息的高精度测量是一个重要研究问题。利用小波函数良好的空间域和频率域的局部化特性, 针对阶跃型样品的特点选取Haar小波, 并采用一种基于模平方的阈值处理方法对三维形貌信息小波去噪方法进行研究。将该方法应用在本课题组研制的激光差动共焦显微镜扫描台阶样品得到的三维高度轮廓中, 去噪后测量样品高度与OLYMPUS共焦显微镜扫描结果相对比, 误差为0.146 8 nm, 满足三维形貌信息后续测量分析的要求, 证明了算法的有效性。

基于实测光谱的恒星大气物理参数估计是探索恒星本质的首要任务。 随着郭守敬望远镜(LAMOST)进入正式巡天阶段, 正以前所未有的速度获取海量的恒星实测光谱数据, 这为星系研究带来了新的机遇和挑战。 由于LAMOST是多目标光纤光谱天文望远镜, 获取的光谱噪音比较大。 光谱前期处理中的波长定标和流量定标精度不高, 导致光谱存在微小畸变, 这些都大大增加了恒星大气物理参数测量的难度。 如何对LAMOST实测光谱的恒星大气物理参数进行自动测量是迫切期待需要研究的一个重要课题, 关键是如何消除噪声, 提高恒星大气物理参数的测量精度和鲁棒性。 提出了一个测量LAMOST恒星光谱大气参数的回归模型(SVM(lasso))。 基本思路是: 首先使用Haar小波对光谱信号进行滤波, 抑制光谱中噪声的不利影响, 最大限度地保留光谱判别信息。 然后采用lasso算法进行特征选择, 选取与恒星大气物理参数相关性强的特征。 最后将选择的光谱特征输入支持向量机回归模型对恒星大气物理参数进行估计, 该模型对光谱畸变和噪音的容忍性比较好, 提高了测量的精确度。 为了验证上述方案的可行性, 在33 963条LAMOST先导巡天恒星光谱库上作了实验研究, 三个恒星大气物理参数的精度分别为log Teff: 0.006 8 dex, log g: 0.155 1 dex, ［Fe/H］: 0.104 0 dex。

随着斯隆数字巡天项目(SDSS)、 欧空局GAIA和我国大天区面积多目标光纤光谱天文望远镜(LAMOST)等项目的相继实施, 拥有的恒星光谱数据量急速增加, 由此导致基于光谱的恒星大气物理参数自动测量方法的研究成为天文光谱分析的重要课题之一<参考文献原文>。探讨了恒星光谱特征提取的方法(Haar+lasso), 其基本思想是首先使用Haar小波包对原始光谱进行多尺度分解, 去除高频系数, 选取低频系数作为光谱信息的描述; 再采用lasso算法提取最优的特征; 最后将最优特征输入非参数回归模型中对恒星大气参数进行自动测量。Haar小波可以较好地去除原始光谱信号中的高频噪声, 对全频谱数据进行降维。lasso算法可以进一步剔除数据冗余, 提取与物理参数相关度较强的特征。Haar+lasso方法提高了物理参数自动测量的准确性和运行效率。我们采用本文方案对SLOAN发布的40 000个恒星子样本的物理参数进行测量, 三个物理参数的平均绝对误差为: log Teff: 0.007 1 dex, log g: 0.225 2 dex和［Fe/H］: 0.199 6 dex。同现有相关文献的实验结果相比, 该方案可以获得更准确的物理参数。

提出了一种新的恒星大气物理参数自动估计的新方案, 并称之为SVR(Haar)。 由于观测光谱受到大量宇宙辐射、 大气和观测设备等引起的噪声干扰, 且这种噪声干扰往往是其中的频率较高成分。 所以该方案的基本思想是首先使用Haar小波剔除高频噪声成份, 以提高恒星大气物理参数估计的准确性; 然后使用支持向量机回归方法(SVR)对恒星参数做出估计, 该方法能通过ε不敏感域进一步提高对光谱微小畸变和干扰的容许能力, 增强解决方案的鲁棒性。 为了验证SVR(Haar)方案的有效性, 针对相关研究中的权威模拟恒星光谱和SLOAN发布的实测光谱, 以及文献中的典型处理方法, 做了大量比较实验。 实验结果表明, 所提出的SVR(Haar)恒星参数估计方案比文献中常用的主成分分析和非参数回归模型均要好。

结合不锈钢膜片的特性，研制出一种微型高精度光纤布拉格光栅(FBG)土压力传感器。该传感器通过不锈钢膜片与力学传递元件将土压力转化为光纤光栅的轴向拉力，大大提高了传感器的灵敏度，有效避免了光栅受力不均引起的啁啾效应，同时减小了传感器的体积。通过理论计算，得到该传感器的压力敏感系数为29.6557 nm/MPa，是裸光栅的9885倍。传感器性能测试实验证实该传感器线性度良好，实测压力敏感系数为27.5 nm/MPa，略小于理论值，其主要原因是应变传递效率低于1。为进一步提高实验测量精度，采用Haar小波变换来减小因光纤光栅解调设备模数(A/D)采样速率及转换精度有限带来波长抖动所产生的仪器误差，实验数据表明经Haar小波处理后光栅中心波长的抖动幅值降为原数据的50%左右。

恒星大气物理参数的自动测量是大型巡天计划中海量光谱数据自动处理中的一个重要内容。 首先使用多尺度Harr小波对恒星光谱数据进行特征分解, 然后选用相应的小波系数作为光谱的特征向量, 最后采用非参数回归算法对光谱的物理参数进行估计。 研究表明, 只需对光谱进行四层小波分解, 并选择第四层小波系数作为光谱的特征向量, 即可获得重力加速度和表面有效温度的较好估计。 对于化学丰度的估计, 选择第一层小波系数作为光谱特征向量可取得较好效果。 选用文献相关研究中常用的恒星大气模拟模型合成光谱库ELODIE中光谱数据测试了该方法的有效性。 结果表明, 基于Harr小波分解的光谱特征提取方法对恒星表面温度、 表面重力和化学丰度等物理参数的估计具有较高的精度和鲁棒性。

为了消除图像中的运动模糊, 提出了一种稀疏理论框架下的双字典稀疏复原方法, 并分析了冗余字典的选取和迭代算法的实现。首先, 建立了稀疏变换下的退化和复原模型, 用Haar系数冗余字典将图像稀疏化, 并用PCD阈值迭代算法对模糊图像进行收敛, 得到复原图像。由于在有效去除复原图像的模糊的同时噪声在迭代过程中被放大并叠加在图像上, 故从清晰图像库中训练了一个冗余字典进行第二次稀疏收敛来去除去模糊中被加权的噪声。实验结果表明, 本文的方法对模糊退化图像有很好的复原效果, 不仅有效地去除了运动模糊和噪声, 并能在一定程度上保留边缘细节。最后拓展了两层稀疏优化模型, 为以后在稀疏框架下的图像复原提供了新的思路。