InGaAs／AlGaAs 941 nm高功率半导体激光二极管阵列

利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。利用该材料制成半导体激光器线阵的峰值波长为941nm，光谱的半高全宽(FWHM)为3．3nm，在400μs、50Hz的输入电流下，输出峰值功率达到67．9W，斜率效率高达0．85W／A(64％)。     

941nm连续波高功率半导体激光器线阵列

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。     

基于ADS软件的变容二极管模型参数提取

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.     

基于高光谱成像技术的祁门红茶等级无损检测

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。     

大功率半导体激光器阵列稳态温度分布分析

通过对大功率激光器阵列热现象的分析,采用有限元分析法建立了大功率激光器稳态工作时的空间温度分布模型,给出了具体的温度分布曲线,由此模型得出大功率激光器阵列沿谐振腔方向有一定的温度差.该模型给出的载体、芯片的温度分布,可以指导阵列载体、散热器的设计,优化它们的尺寸.样品的实验数据与模型的理论预测结果吻和得很好.     

铜CMP中SiO2抛光液的凝胶及其消除实验

SiO2在不同的pH值抛光液中容易产生凝胶现象而使抛光液失效。通过控制实验时抛光液的pH值及加入适量的添加剂而使SiO2抛光液的凝胶问题得到解决。结果表明,当SiO2抛光液pH≤8时,产生凝胶;当SiO2抛光液pH≥9时,在抛光液中加入适量的活性剂和螯合剂,消除了SiO2凝胶现象,得到较好的抛光结果。     

低噪声放大器的ADS设计与仿真

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.     

Cu-CMP抛光液中有机碱的化学作用实验分析

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。     

融合光谱与纹理特征的龙井茶等级无损识别

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。     

半导体激光器在医疗领域的新应用

半导体激光器因其体积小、重量轻、寿命长、转换效率高等优点,广泛应用于生物医学研究、临床疾病诊断和治疗领域,几乎覆盖了其它类型激光的应用范围。综述了近年来半导体激光在临床治疗、美容、整形领域的新应用,介绍了半导体激光医疗设备的研制状况和发展趋势,表明随着波长范围的拓展、激光器性能的提高以及价格的下降,半导体激光器在医疗上的应用范围将不断拓展,市场占有份额将不断增加,有望成为激光医疗的主流,具有广阔的发展前景。