optisystem15光通信仿真软件，适合光通信，光纤测量仿真实验，如背向瑞利散射曲线的绘制，适用win10，win7/win8

米氏散射：消光系数与尺度参数的关系

米氏散射：消光系数+散射系数

在对随机弱散射屏进行表面参数的原子力显微镜测量和建立了门积分取样平均的随机光强自相关函数测量系统的基础上，对弱散射屏在严格像面和离焦像面上产生的散斑自相关函数进行了测量。发现在严格像面上，散斑平均颗粒的大小随表面粗糙度增加而减小，且光强自相关函数次极大的相关间隔宽度随粗糙度增加而减小；而次极大的起伏随粗糙度的增大而增大；在离焦像面上，离焦量的增加使光强的自相关函数下降变得平滑，并使极小值点和次极大点变得不明显或者消失。

以典型偏振蒙特卡罗模型为基础，采用斯托克斯-穆勒(Stokes-Mueller)形式描述偏振光散射传输过程，利用VC和OpenGL工具设计实现了光散射传输过程的三维动态仿真系统，并对系统仿真的数据结果进行了分析。结果表明，此仿真系统可以直观地在三维空间中查看光子在介质中的散射传输过程和接收器的累积过程;且由仿真系统所得的数据结果分析，偏振信息具有一定的对称性。

利用等效原理和Babinet原理得到无限大理想导体缝隙的磁场积分方程根据高阶矩量法的基本原理,对缝隙表面进行离散,利用高斯积分求得缝隙的等效磁流和散射特性文中定义了相对尺寸s（s＝h/r）,通过分析,当s不变时,缝隙的等效磁流不变,其RCS(雷达散射截面）也只是改变了振幅,变化的趋势都相同且当s变大时,缝隙的等效磁流幅值变小,RCS的变化更频繁。

根据基尔霍夫近似方法, 用蒙特-卡罗方法模拟随机粗糙面, 观测到了随机粗糙面的后向增强效应。 分别研究了高斯粗糙面及分形粗糙面, 讨论了统计特性相同的粗糙面在不同小波尺度的电磁(光)波散射特性。 所得结果与实验事实相当吻合。

提出了一种基于深度学习的单幅图像去雾算法。利用卷积神经网络,通过学习雾天图像与清晰图像的YUV(Y代表的是亮度,UV代表的是彩度)各个通道之间的映射关系实现去雾。网络结构由两个相同的特征模块组成,主要包括多尺度卷积、卷积和跳跃连接结构。实验结果表明,无论是针对合成雾天图像数据集还是针对自然雾天图像数据集,所提去雾算法恢复的图像皆具有较高的清晰度和对比度,在主观评价和客观评价上均优于其他对比算法。

（1）对传统图像去雾领域的一些典型去雾算法进行深入分析，并与基于深度学习的图像去雾算法进行性能对比分析。本文在经典图像去雾数据集 RESIDE 和 O-HAZE 上进行实验，并采用无参考图像质量评估指标以及运行时间来衡量多种典型图像去雾算法的去雾效果。实验结果表明基于深度学习的去雾算法不仅具有不错的去雾效果，而且在单幅图像上的去雾效率更高。 （2）针对目前去雾网络模型训练参数过多，影响图像去雾效率的问题，本文提出一种新的基于轻量级网络的图像快速去雾模型 FAOD-Net 用于单幅图像去雾。 FAOD-Net 模型基于轻量化的体系结构，该体系结构使用深度可分离卷积来构建轻量级卷积神经网络。此外，本文在 FAOD-Net 模型中添加了金字塔场景解析网络来聚合图像不同区域的上下文信息，从而提高网络模型提取全局信息的能力。本文使用 RESIDE 训练集来训练 FAOD-Net模型，并在RESIDE 测试集上进行了广泛的实验，使用全参考和无参考图像质量评估指标来衡量去雾效果。实验结果表明 FAOD-Net 模型在去雾效果和速度上均具有令人满意的结果。 （3）针对目前图像去雾算法易导致去雾后的图像出现颜色失真的问题，本文提出一种新的基于颜色特征提取卷积网络的图像去雾模型 CIASM-Net。CIASM-Net 模型包括颜色特征提取卷积网络和深度去雾卷积网络。其中，颜色特征提取卷积网络用于提取有雾图像 RGB 颜色空间的特征，深度去雾卷积网络改进了逆大气散射模型卷积网络 IASM-Net，并使用多尺度卷积层来估计透射率图。此外，本文在 CIASM-Net 模型中添加了金字塔场景解析网络来提取全局特征。本文使用经典的 RESIDE 训练集来训练 CIASM-Net 模型，在 RESIDE 测试集上的实验结果表明 CIASM-Net 模型具有令人满意的去雾效果。

在这封信中，我们使用来自宇宙微波背景（CMB）普朗克温度和极化，重子声波振荡（BAO）测量和弱引力透镜数据的最新数据，报告了对暗物质-暗能量散射截面的精确而强大的观测约束 来自加拿大-法国-夏威夷望远镜镜头调查（CFHTLenS）。 散射情况由暗组分之间的纯动量交换组成，并且根据联合分析（CMB + BAO + CFHTLenS），我们发现在95％CL时σd<10-29cm2（mdmc2 / Gev），其中mdm是典型的暗物质 粒子质量。 我们注意到，黑暗成分之间的散射可能会影响宇宙中大规模结构的生长，从而使背景宇宙学保持不变。