Recently, deep learning has been used to establish the nonlinear and nonintuitive mapping between physical structures and electromagnetic responses of meta-atoms for higher computational efficiency. However, to obtain sufficiently accurate predictions, the conventional deep-learning-based method consumes excessive time to collect the data set, thus hindering its wide application in this interdisciplinary field. We introduce a spectral transfer-learning-based metasurface design method to achieve excellent performance on a small data set with only 1000 samples in the target waveband by utilizing open-source data from another spectral range. We demonstrate three transfer strategies and experimentally quantify their performance, among which the “frozen-none” robustly improves the prediction accuracy by ∼26 % compared to direct learning. We propose to use a complex-valued deep neural network during the training process to further improve the spectral predicting precision by ∼30 % compared to its real-valued counterparts. We design several typical teraherz metadevices by employing a hybrid inverse model consolidating this trained target network and a global optimization algorithm. The simulated results successfully validate the capability of our approach. Our work provides a universal methodology for efficient and accurate metasurface design in arbitrary wavebands, which will pave the way toward the automated and mass production of metasurfaces.

通过优化光纤布拉格光栅形状传感技术中传感点位置和补偿重构结果来提高薄层合金板三维形状重构精度。通过ANSYS workbench建立合金板仿真模型，提取应变和位移模态振型，根据模态置信准则、转换矩阵稳定性和模态振型相似性分别设计了三个目标函数，采用快速和精英机制的多目标遗传算法优化传感器位置。将镍钛合金板弯曲成不同曲率半径的弧形，利用光纤布拉格光栅中心波长漂移量和线性插值算法计算得出不同形状下的结构应变，重构合金板形状，均方根误差和最大误差相较于单目标优化算法分别减小30%和15%。利用粒子群优化径向基函数神经网络算法拟合误差与位移的关系实现误差补偿，均方根误差和最大误差比无补偿时分别减小了90%和70%，最大相对百分比误差仅为5%，提高了三维形状重构算法精度。

多芯超模光纤（MCSMF）的芯间距较小，多个芯子共同形成芯区支持多个超模传输，与普通单芯少模光纤相比，其具有较大的有效模场面积和较小的模式串扰，备受关注。MCSMF用于长距离传输时，与其相匹配的新型增益均衡放大器是实现信号中继并保持信号稳定传输的必要器件。文中提出了一种基于粒子群优化算法的19芯超模光纤增益均衡放大器，该光纤支持10个超模共同传输。通过粒子群算法分别优化各纤芯内掺铒浓度来降低不同超模的交叠积分因子，从而减小模式增益差（DMG）。结果表明，在包层泵浦条件下，最大DMG从1.33 dB （各纤芯均匀掺杂）降低至0.20 dB，在1 550 nm信号波长处10模式的平均增益为27.79 dB，且该放大器在整个C波段的增益平坦度低于1 dB。

针对R矩阵光谱重构法面临的问题, 提出了一种基于相机响应特性的光谱分解方法, 对分解出的同色异谱黑的反演建立粒子群优化 BP 神经网络模型 (PSOBP) 以实现网络训练权重的优化, 并利用全局训练样本和局部训练样本的二次光谱重构方式进行了仿真实验。结果表明, 在D65光源下, 利用所提出的方法, RGB相机观测下重构两种测试集均方误差平均值分别至少降低了1.71%和0.51%, 色差最大值分别为3.5579和2.3776, 满足人眼辨别颜色阈值要求; WorldView3观测下光谱重构精度均方误差在410~510、555~565、590~685、705~740 nm波段内不超过2%, 适应度系数表示的可接受样本占比均为91.667%, 色差最大值分别为1.6002和1.1177, 其光谱重构精度以及色度精度较其他方法均有所提高, 且6通道多光谱相机已能满足较高精度光谱重构的要求。

离轴反射系统设计的关键环节是确定适用初始结构并进行优化，一般从同轴结构或者专利库中寻找相似的结构开始优化，这往往需要耗费大量的时间。以Seidel像差理论为依据，研究了一种获取离轴四反系统初始结构的设计方法。在设计之初引入视场偏置，通过追迹近轴光线给出五种单色像差的初级Seidel像差表示。以Seidel像差绝对值最小化作为目标函数，同时加入对光学和系统结构上的限制条件构建含有约束条件的单目标非线性优化模型，并通过粒子群优化算法进行求解。在此基础上，通过MATLAB调用CODE V API接口，判断此视场偏置情况下是否满足无遮拦的条件，并从中挑选出满足条件的初始结构。设计了一款焦距为1 200 mm，视场1.2°×20°，F数为6的离轴四反光学系统，系统结构布局紧凑，成像质量良好，各项指标均满足设计要求。