基于使用气体放电等离子体（DPP）极紫外（EUV）光源自研的小型反射率测试装置，分析了DPP光源参数及不同型号探测器对反射率测试的影响，提出了一种能量归一化的反射率测试方法，并测试了13.5 nm波长下Mo/Si多层膜反射镜的反射率特性。研究结果表明：在相同光源参数下，SXUV100型探测器的极紫外能量探测性能优于AXUV100G型；通过归一化使光能量波动对反射率测试光束的影响因子从6.2%降低到0.64%，多层膜反射镜的峰值反射率的测量重复性从4.34%提高到0.69%，与国外同等实验装置精度相当，实现了高精度反射率测试，可为极紫外光刻机的光学元件提供反射率测试。

针对微机电系统(MEMS)压阻式压力传感器受环境温度影响产生温度漂移的问题，该文分析了常用的温度补偿方法，提出了一种基于粒子群优化-径向基函数(PSO-RBF)的压力传感器温度补偿模型，结合标定实验采集的样本数据，建立了标定压力同敏感元件输出电压和温度的非线性映射关系，实现了温度补偿效果。结果表明，与传统的最小二乘法、三次样条插值法、标准RBF、粒子群优化反向传输神经网络(PSO-BP)、核极限学习机(ELM)神经网络等方法相比，该算法具有更好的补偿预测效果，且对样本数据不需要归一化处理，具有良好的工程实践意义。

针对现有生成式对抗网络对单图像进行超分辨率重建时存在特征信息挖掘不足、算法复杂度高及训练不稳定的问题，提出一种聚合残差注意力网络的单图像超分辨率重建方法。首先，以聚合残差模块作为基本残差块构造生成器，降低计算复杂度，在每个残差块中引入具有三维权重的注意力模块作为网络主通道，在不引入其他参数情况下捕获更多的高频信息。其次，在鉴别器中采用谱归一化处理，对鉴别器网络参数进行限制，从而稳定训练过程。最后，采用拟合性更好的Swish激活函数，提高网络的特征提取能力。将鲁棒性更好的Charbonnier损失函数作为像素损失，同时加入正则化损失抑制图像噪点，提升图像的空间平滑性。实验结果表明，所提方法得到的四倍放大的超分辨率重建图像在Set5、Set14、BSD100三个公开数据集上的峰值信噪比平均值提高了1.54 dB，结构相似性平均值提高了0.0457，重建图像拥有更好的清晰度和更为丰富的高频细节。

基于金刚石氮-空位(NV)色心的温度传感技术, 通过测量其基态子级之间的零场劈裂值(D)来实现对温度的感测。 由于金刚石稳定性高, 抗干扰能力强, 可制成不同尺寸, NV色心测温方法被视为解决微纳米尺度温度高精度测量难题的一种重要技术途径, 具有良好的应用前景。 实验测量中, 首先使用激光对色心进行电子自旋极化, 然后使用微波对电子自旋进行调控, 进而探测电子跃迁发出的荧光得到光学探测磁共振(ODMR)光谱, 对谱线进行拟合分析获得D值。 激光功率波动是重要的实验噪声来源之一, 为了获得较高的极化率, 需要足够的激光功率, 然而较大激光功率下, 光功率波动会影响电子自旋极化率, 从而降低电子跃迁所发出荧光强度的稳定性, 增加光谱的噪声, 最终增大数据测量的误差。 在常规测量中, 不使用任何归一化参考的直接拟合法会将激光功率的波动直接反映在ODMR光谱上。 为降低激光功率波动产生的误差, 提出了一种特定编码的脉冲序列测量方法, 可以在实验过程中获得不受微波调控的光子数参考值, 对所探测的受到微波调控的光子数相对于参考值做归一化, 从而输出归一化光谱。 在实验室搭建的ODMR测量系统上开展了控温300 K的对比实验, 考虑对脉冲编码序列两个时间参数的优化, 确定了0.8 s的计数时间和0.001 s的准备时间。 在不同的激光功率下, 分别采用直接拟合法、 数学归一化法和脉冲编码归一化法测得三组D值。 数据分析结果表明, 相较于直接拟合法和数学归一化法, 脉冲编码归一化法将激光功率波动引入的噪声有效地抑制到了直接拟合法的62.5%, 得到D值的误差从直接拟合法的179 kHz和数学归一化法的165 kHz减小到了56.9 kHz。 该方法可为金刚石NV色心测温技术提供一种抑制激发激光功率影响的有效途径, 提高D值测量分辨力, 为金刚石NV色心测温技术的实用化发展奠定基础。

由于视觉传感器与惯性传感器的高度互补性, 视觉和惯性融合是一种常见的姿态测量手段。随着机载、车载等仪器设备的迅速发展, 传统静止基座下的姿态测量已无法满足一些实际应用场景的需求。由于受到基座运动信息的干扰, 很难对动基座上的目标物进行准确、快速的姿态测量。为了发挥视觉和惯性融合的优势, 并实现动态基座下的目标物相对姿态测量, 提出了一种基于单目视觉与双陀螺仪的姿态测量系统。分析了测量系统中坐标系的建立以及坐标系之间相对关系, 提出了坐标系归一化方案, 并利用容积卡尔曼滤波对视觉和惯性结果进行融合, 实现了高精度、大范围、快速、稳定的姿态测量。在搭建的视觉和惯性融合姿态测量系统平台上进行了实验验证, 结果证明该系统坐标系归一方案与融合算法的有效性。实验结果表明, 所搭建系统具有较高的准确度, 融合后的俯仰角和方位角的均方根误差(RMSE)均不超过0.1°。

液体环境中激光诱导击穿光谱（LIBS）包含等离子体辐射和膨胀、冲击波传输及气泡演化等过程，对其进行全过程时间分辨观测有助于理解液相LIBS物-化过程，并提高LIBS分析性能。为此，采用激光透射探针（LBTP）测量方法，通过连续氦氖激光器和光电探测器相结合，实现对单次LIBS过程中激光/等离子体辐射与冲击波/气泡演化的全过程时间分辨诊断。在不同激光脉冲能量激发下，比较同步采集的LBTP信号与LIBS信号，证明了LBTP信号负峰面积与LIBS特征峰面积之间存在较强的相关性（R²>0.99）。在此基础上，对于不同浓度的碱金属离子水溶液，利用偏最小二乘回归（PLSR）法建立了LBTP信号对光谱特征峰面积相对偏差的回归模型，实现了LIBS信号波动校正。

深度学习使辅助诊断的软件能够更积极有效地开发和应用，但是组织病理学图像的颜色变化降低了这些算法的性能。染色归一化可以解决扫描仪效应、不同的染色方法、患者的疾病状态、染色时间等因素产生的图像异质性。虚拟染色可以摆脱载玻片染色，减少载玻片的制备步骤，为临床缩短样本的制备时间，节省大量的成本。在缺乏注释训练数据的情况下，病理图像数据增强可用于创建具有纹理和颜色、样式逼真的人工样本来促进网络训练。本文就组织学病理图像在深度学习病理分析中染色处理的染色归一化、虚拟染色和数据增强等方面展开综述，为组织学病理图像在临床上的应用和研究提供参考。

针对裂缝图像获取困难导致的样本少、传统数据扩充方法提升样本特征空间能力不足等问题, 提出了一种基于改进深度卷积生成对抗网络(MDCGAN)的裂缝样本扩充方法。首先对数据集进行预处理, 利用滑窗法进行数据降维和清洗; 其次优化激活函数, 提高生成特征的多样性, 同时引入谱归一化进行权重标准化提升网络结构的稳定性, 以生成高质量的裂缝数据集; 最后, 利用改进的Alexnet网络对扩充后的混合样本集进行特征提取并分类识别。结果表明, MDCGAN网络数据增强性能与传统扩充方法相比均有明显提高, 适用于扩充裂缝图像。

传统无监督域自适应行人重识别算法，抑制伪标签噪声效果差、域间泛化能力弱。针对这些问题，提出了一种基于软伪标签和多尺度特征融合的无监督域自适应行人重识别算法。为抑制伪标签噪声，利用并行网络的预测值作为软标签，通过交叉校对方式对伪标签噪声进行纠偏，为无监督域自适应任务提供更鲁棒的软伪标签。为增强域间泛化能力，利用多尺度特征重构和哈达玛积特征融合方法对深浅特征层信息进行处理，实现源域数据到目标域的风格转换，并结合实例和批量归一化网络解决残差网络域自适应性差的问题，增强网络对源域和目标域的泛化能力。实验结果表明，所提算法在Market-to-Duke和Duke-to-Market无监督域自适应任务中都取得了较好的性能，明显优于相关算法。