课程文献中心 更多>>

关键词： 锁模光纤激光器   光纤光栅   非线性偏振旋转   光纤激光频率梳  

摘要： 利用45°倾斜光纤光栅(45°-TFG)作为光纤型起偏器，搭建了一台高可靠性高稳定性的掺铒锁模光纤激光器，并以此为基础实现了重复频率frep和载波包络偏移频率fceo的精确锁定。当泵浦功率为228 mW时，基于45°-TFG的锁模激光振荡器可实现3 dB光谱带宽为60.4 nm、脉冲宽度为68 fs的超短脉冲输出，在12 h内功率的均方根稳定性达到0.033%，且在较大的泵浦范围内均能维持较好的展宽锁模状态。经过自主搭建的非线性脉冲放大、超连续谱产生以及f-2f自参考拍频干涉光路，获得了信噪比为32 dB的fceo信号。最后通过搭建基于锁相环的主动反馈控制电路，将frep和fceo信号溯源至一台GPS时频系统，最终测得frep和fceo信号归一化后在1 s门时间内频率稳定度为2.38×10-12和6.41×10-16。这是首次实现基于45°-TFG的光纤激光频率梳，表明了基于45°-TFG的锁模光纤激光器在实际应用中的潜力。

关键词： 脑梗死   磁共振成像,弥散   康复治疗  

摘要： 目的:探讨磁共振弥散张量成像技术在脑梗死慢性期患者康复治疗效果及运动功能恢复情况评估中的应用。方法:采用便利抽样法,回顾性分析2019年7月—2022年8月南京市溧水区人民医院收治的11例脑梗死患者的临床及影像学资料,经综合临床评估将患者分为治疗好转组(n=6)和治疗一般组(n=5),测定每个感兴趣区的各向异性分数(FA)值、容积比(VR)值、表观弥散系数(ADC)值,并计算出rFA、rVR、rADC值进行统计学分析。结果:11例脑梗死患者中,康复治疗好转组6例,一般组5例。治疗前,两组脑梗死患者患侧FA、VR、ADC值及rFA、rVR、rADC值比较,差异无统计学意义(P> 0.05);康复治疗后1～2个月患侧部分区域FA、VR、rFA、rVR值及康复治疗后3～9个月内囊后肢患侧FA、rFA、VR值、放射冠区患侧ADC值,两组组间比较,差异有统计学意义(P<0.05)。好转组患者内囊后肢FA值、VR值升高率均高于一般组,差异有统计学意义(P<0.05)。两组Barthel指数及内囊后肢ADC值升高率比较,差异无统计学意义(P> 0.05)。两组脑梗死患者康复治疗后末次复查CST分级比较,差异有统计学意义(P<0.05)。结论:弥散张量成像技术能精确显示脑梗死慢性期患者皮质脊髓束走行区患侧FA值、VR值、ADC值的变化及神经纤维束的形态学改变,可以作为评估脑梗死慢性期患者康复治疗效果及运动功能的恢复情况的参考。

关键词： 波分复用   光敏热折变玻璃   反射式体布拉格光栅   切趾光栅  

摘要： 记录在光敏热折变玻璃中的反射式体布拉格光栅是密集波分复用和解复用的优良器件，但光栅两端耦合强度突变引起的旁瓣会导致信道间串扰，进而对复用和解复用效果产生影响。基于F矩阵理论，建立了反射式体布拉格光栅切趾理论模型，通过定义有效折射率调制度实现了对不同切趾体光栅衍射效率的归一化，并对余弦、高斯、双曲正割3种函数的切趾效果进行系统的对比与分析。基于此模型设计了一套C波段通用体布拉格光栅型滤光片，为高信噪比的反射式体布拉格光栅滤光片的研制提供了理论设计依据。

关键词： 不完全多视图聚类   图学习   低秩张量   缺失视图推断   张量子空间学习  

摘要： 网络时代和信息采集技术的快速发展产生了海量的多视图数据集。如何对多视图数据集进行有效的聚类分析是当前研究的热点。现有的多视图聚类算法通常假设样本在各个视图下均是完整的。然而,在实际应用中,由于设备限制或其他不可控因素,视图中的特定样本可能存在缺失。为应对不完全多视图数据的场景,近年来涌现出许多不完全多视图聚类算法,但仍存在一些亟待解决的问题。例如,数据采集过程中往往会采集到一定的噪声,这不可避免地影响后续的聚类性能。其次,部分方法只能处理两个视图且具有配对样本的情况,导致模型的泛化能力较差。此外,现有方法大都未考虑视图间及样本间存在的高阶相关性,无法得到最佳的聚类结果。针对上述问题,本文提出了三个通用的不完全多视图聚类框架,主要研究内容概括如下: (1)本文提出了一个通用的不完全多视图聚类的广义高阶框架。该模型首先利用鲁棒主成分分析学习每个视图的鲁棒表示。为了探索视图之间的高阶关系,将特定于视图的谱嵌入叠加到具有低秩约束的三阶张量中。通过在全局范围内扩散来自每个视图的高质量可用数据的互补信息,该框架能够减轻数据噪声的不利影响,并揭示潜在的共同簇结构。本文提出了一种有效的迭代优化策略来求解该模型。在七个数据集上的实验结果表明,该模型在不同的缺失多视图聚类场景下均能取得优异的性能。该工作为不完全多视图聚类提供了一个通用框架,既缓解了噪声的影响又探究了视图间的高阶相关性。 (2)本文提出了一个基于鲁棒高阶图学习的不完全多视图聚类模型。该模型首先采用鲁棒主成分分析从原始可用数据中获取鲁棒表示,然后将该表示用于局部流形学习。随后,模型将从局部相似性图生成的特定视图的基本分块表示进行对齐,并优化完整的相似性图学习以探索全局相似性结构。为捕获视图之间的高阶关系,模型将所有完整的相似图堆叠成具有低秩约束的三阶张量。因此,该模型可以同时探索局部和全局相似结构,并挖掘高阶视图间的相关性。本文还开发了一种有效的迭代优化策略来求解该方法。在六个基准数据集上的实验结果验证了模型的有效性。 (3)本文提出了一种基于鲁棒张量子空间学习的不完全多视图聚类模型。该模型首先通过矩阵分解恢复视图中的缺失样本,并利用恢复的信息进行潜在表示学习。随后,将从所有视图获得的潜在表示组织成一个三阶张量,并利用张量线性表示捕获样本的内在关系。此外,为了捕获视图间的高阶相关性,本方法进一步在低秩样本系数张量上施加张量核范数。与传统的向量空间学习相比,鲁棒的张量子空间学习可以探究每个视图内以及跨视图间的样本相关性。因此,该模型能够同时处理缺失样本并利用其内在相关性,从而提高了恢复数据的表示能力和质量。在八个数据集上的实验结果表明,该模型优于其他竞争方法。

关键词： 数字孪生系统   深度模糊神经系统   数据填补   张量分解方法   相关性距离  

摘要： 通过大数据分析,我们可以充分利用数据发现故障原因,提高工作效率。如何恢复不完整数据,是产业界和学术界共同关注的重要问题。利用传统的预测模型可以恢复不完整数据,虽然已经得到了广泛的应用,但是由于安装的传感器越来越多,采样频率越来越高,制造数据量变得非常庞大,这给数据存储空间和检索效率带来了挑战。此外,随着真实世界中系统规模的不断扩大,实时更新的海量数据令人应接不暇,传统方法难以准确分析和处理复杂的多维数据并准确快速地恢复系统中不完整数据。数字孪生技术研究涉及很多关键技术,其中恢复不完整数据是一个重要的问题。 为了克服以上的挑战,本文设计了一种基于张量核化的正则分解和平行因子分解的深度模糊神经系统,用于恢复数字孪生系统中的不完整数据,进一步恢复真实世界中系统的不完整数据。首先,本文提出了一种基于相关性距离的数据重构方法,将数据转换为三阶张量。张量可以存储和表达丰富的多维数据。张量比向量和矩阵有更强的表达能力。然后,本文提出了一种张量核化的正则分解和平行因子分解方法。将核函数方法嵌入到正则分解和平行因子分解的框架中。在数据不完全的情况下,有效地提取张量数据的非线性结构,得到分解后的数据,相当于在高维空间中进行低秩张量分解。最后,基于所提出的张量分解方法,结合长短期记忆网络和自适应模糊推理系统,提出了一种基于张量核化的正则分解和平行因子分解的深度模糊神经系统,能够有效的恢复不完整数据。