排序方式: 共有108条查询结果,搜索用时 15 毫秒
1.
设计、仿真并制备了一种用于光纤布拉格光栅(FBG)解调的阵列波导光栅(AWG)芯片。该芯片基于SOI衬底进行制备,并在AWG的输入/输出波导、阵列波导与平板波导之间采用双刻蚀结构进行优化。经仿真,该AWG的插入损耗为1.5dB,串扰小于 -20dB,3dB带宽为1.5nm。优化后的AWG芯片采用深紫外光刻技术、电感耦合等离子体等技术制备。经测试,该AWG的插入损耗为3dB,串扰小于 -20dB,3dB带宽为2.3nm。搭建了基于该AWG的解调系统,解调实验结果表明,该系统在0.8nm范围内的解调精度可达11.26pm,波长分辨率为6pm。 相似文献
2.
3.
主要针对捷联惯导系统中对加速度计信息处理的高精度要求,介绍了基于高精度A/D的对石英挠性加速度计数据进行采集的设计,完成了系统的软、硬件设计。设计采用了高精度A/D转换芯片AD7691和FPGA芯片XC3S500E来完成系统功能,在详细阐述硬件设计的基础上,对软件设计进行了相应的介绍。 相似文献
4.
为向室内定位技术定位精度及抗干扰能力提供高精度数据对比标准,提出单目视觉空间移动靶位姿测量方法。 结合机
器视觉投影矩阵求解与摄影测量后方交会技术,实现任意靶位姿下的相机外参数求解。 首先,通过世界坐标系下地面控制点坐
标及其像面坐标,计算真实相机站位;随后,根据靶点初始世界坐标及其实时像面坐标,求解虚拟相机站位;最后,根据虚拟及真
实相机站位外参数,将靶点初始世界坐标变换至靶点实时世界坐标。 实验结果表明,在 10 m×4. 5 m×3. 8 m 测量空间中,靶位
移距离测量误差 X 方向均方根误差(RMSE)为 0. 358 3 mm,Y 方向 RMSE 为 0. 350 9 mm,Z 方向 RMSE 为 1. 475 2 mm。 靶姿态
角 φ 测量 RMSE 为 0. 094 0°,ω 测量 RMSE 为 0. 089 3°,κ 测量 RMSE 为 0. 025 4°。 满足大范围移动载体的高精度实时定位定
姿需求。 相似文献
5.
ZnO:Al绒面透明导电薄膜的制备及分析 总被引:1,自引:0,他引:1
利用中频脉冲磁控溅射方法,采用Al掺杂(质量百分比2%)的Zn(纯度99.99%)金属材料为靶材制备平面透明导电ZnO:Al(ZAO)薄膜。利用湿法腐蚀方法,将平面ZAO薄膜在0.5%的稀盐酸中浸泡一定时间后,形成表面凹凸起伏的绒面结构。研究了平面ZAO薄膜的结构特性以及衬底温度、溅射功率和腐蚀时间对绒面ZAO薄膜表面形貌的影响,并对腐蚀前后薄膜的电阻变化进行了分析。结果表明:高温、低功率条件下制备的绒面ZAO薄膜表面形貌较好,在硅薄膜太阳电池中具有潜在的应用前景。 相似文献
6.
7.
提出了一种长周期光纤光栅(LPFG)级联布拉格光纤光栅(FBG)的温度/应变双参数光纤传感器。利用飞秒激光直写制作LPFG并级连FBG,且FBG波谷位置为1 551.9 nm,LPFG波谷位置为1 559.1 nm,最高对比度为-12.7 d B。在30~70℃温度变化范围内对传感器温度特性进行测试,并在25℃超净环境下对0~500με应变变化范围内对传感器应变特性进行测试。实验结果表明,升温过程FBG中心波长发生红移,灵敏度15.00 pm/℃,线性度0.981 3;LPFG中心波长发生蓝移,灵敏度-11.75 pm/℃,线性度0.945 3。降温过程FBG中心波长发生蓝移,灵敏度18.25 pm/℃,线性度0.953 8;LPFG中心波长发生红移,灵敏度-15.42 pm/℃,线性度0.980 2。加载过程FBG中心波长发生红移,灵敏度0.93 pm/με,线性度0.991 5;LPFG中心波长发生蓝移,灵敏度-1.51 pm/με,线性度0.986 3。卸载过程FBG中心波长发生蓝移,灵敏度0.92 pm/με,线性度0.990 9;LPFG中心波长发生红移,灵敏度-1.51 pm/με,线性度0.972 8。结果表明,该光纤传感器灵敏度高,线性度好,可以同时动态实现应变和温度的测量。 相似文献
8.
研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题,通过一维卷积神经网络预测识别混叠光谱中心波长,并搭建了并联结构的混叠光谱数据自动采集实验系统,验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响,并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比,同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明:解调模型均方根误差结果为0.082 58 pm,使用Intel(R) Core(TM) i7-8550U CPU (Central Processing Unit)的解调计算时间为0.338 s。研究结果表明:采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性,与其他算法相比,文中的解调算法在解调精度和时间上具有优势,模型大小在400 kB以下,所需算力较小,可部署在小型嵌入式设备中,在大规模机载传感网络,结构健康监测中有良好的应用前景。 相似文献
9.
10.