排序方式: 共有21条查询结果,搜索用时 17 毫秒
1.
2.
941nm连续波高功率半导体激光器线阵列 总被引:2,自引:0,他引:2
用金属有机化合物气相淀积(MOCVD)技术生长了InGaAs/GaAs/AlGaAs分别限制应变单量子阱激光器材料。利用该材料制成了半导体激光器线阵列,连续波工作条件下的中心激射波长为940.5nm,输出功率高达37.7W(45A、2.0V),斜率效率可达0.99W/A(外微分量子效率为75%),最高转换效率超过45%,阈值电流密度为117A/cm^2,该波长的半导体激光器是Yb:YAG固体激光器的理想泵浦源。 相似文献
3.
研究了变容二极管的-特性,采用曲线拟合的方法,完成其在1 GHz工作频率下模型参数的提取.为了拟合更加准确,在-特性曲线上读取了6级(,)值,并用ADS软件分别进行多次随机仿真和梯度仿真.用提取的参数建立了变容二级管的电路模型.最后,用此模型设计了一款压控振荡器,测试结果与理论值相吻合. 相似文献
4.
为实现快速无损的茶叶产品等级评估,应用近红外(900~1700 nm)高光谱成像技术对6个等级的祁门红茶进行分类。首先利用线性和非线性降维方法对高光谱数据进行可视化处理,可视化算法包括线性方法的主成分分析(Principal Component Analysis,PCA)、多维尺度变换(Multi-Dimensional Scaling,MDS),和非线性方法的t分布随机邻域嵌入(t-Distributed Stochastic Neighbour Embedding,t-SNE)、Sammon非线性映射。其次利用支持向量机(Support Vector Machine,SVM)和极限学习机(Extreme Learning Machine,ELM)建立分类模型来鉴定祁门红茶的不同等级。最后利用SVM和ELM分类模型对高光谱图像每个像素点进行识别,得到预测图。结果表明,t-SNE可以将6个等级的祁门红茶分在六个不同的簇,SVM和ELM的预测集准确率分别为100%和96.35%。t-SNE可视化效果最佳,SVM的检测模型能够有效地对祁门红茶六个等级进行识别。本文为茶叶产品等级的快速、无损检测提供了一种有效的方法,对茶叶产品的质量控制、真伪检测和掺假检测具有重要意义。 相似文献
5.
6.
7.
利用ADS仿真软件设计低噪声放大器的方法及主要步骤,使用ADS器件库中的sp模型,重点进行了输入和输出匹配电路的设计.低噪声放大器工作在L波段,噪声系数小于1.8dB,增益大于13dB.通过设计可以看出,利用ADS进行微波电路仿真,可以很方便的得出最佳电路设计,指标完全符合规定值. 相似文献
8.
分析了带有羟基和双胺基的有机碱在Cu-CMP过程中的化学作用,为得到抛光液的最佳配比,在给定的实验条件下对铜进行抛光实验,得到了铜的抛光速率随有机碱浓度的化学作用曲线,并得到了有机碱在抛光液中的最佳浓度。实验结果表明:随着抛光液中有机碱浓度的增加,抛光过程中的化学作用(络合反应)增强,铜的抛光速率随之增大,当有机碱增加到一定浓度时,抛光速率达到最高值,并相应得到了最佳的抛光表面。 相似文献
9.
龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。 相似文献
10.