VO2/GaAs异质结的制备及其光电特性研究

采用直流磁控溅射和后退火氧化工艺在p型GaAs单晶衬底上成功制备了n-VO_2/pGaAs异质结,研究了不同退火温度和退火时间对VO_2/GaAs异质结性能的影响,并分析其结晶取向、化学组分、膜层质量以及光电特性。结果表明,在退火时间2 h和退火温度693 K下能得到相变性能最佳的VO_2薄膜,相变前后电阻变化约2个数量级。VO_2/GaAs异质结在308 K、318 K和328 K温度下具有较好的整流特性,对应温度下的阈值跳变电压分别为6.9 V、6.6 V和6.2 V,该结果为基于VO_2相变特性的异质结光电器件的设计与应用提供了可行性。     

基于误差估值累加开环校正的诱导式欺骗检测方法

诱导式卫星欺骗干扰可诱导航空器逐渐偏离预定航迹，难以被发现，因此及时有效地检测干扰是飞行安全的保障。在现有紧组合导航体制基础上，设计了一种基于误差估值累加开环校正的紧组合导航结构，并证明了其性能与传统闭环校正紧组合导航性能等效。在此结构中，将紧组合导航系统与自适应序贯概率比检测方法结合，提出了一种基于误差估值累加开环校正的诱导式欺骗检测方法，融合紧组合导航信息与其他不受欺骗影响的导航信息，构建欺骗检测统计量进行诱导式欺骗检测。仿真结果表明，开环校正结构可避免随时间累加的惯性导航系统误差所导致的组合导航滤波器发散问题，同时欺骗检测方法可进一步提高算法对“最坏”情形下微小诱导式欺骗的检测效果。     

智慧标识网络服务机理研究进展及安全性分析

随着互联网规模的不断扩大以及应用场景的多元化,传统网络无法很好地满足新业务的动态多样化需求,因此国内外对未来网络展开了深入研究.本文首先介绍了未来互联网体系架构的研究现状.其次,介绍了具备"三层、两域"特征的智慧标识网络(Smart Identifier NETwork,SINET)体系架构,然后重点阐述了SINET服务机理在服务的命名与解析、路由机制、服务缓存、移动性、传输控制机制、可扩展性、绿色节能等关键技术方面取得的研究进展,并进一步详细分析了SINET服务机理的安全性.最后总结了SINET面临的挑战,对SINET服务机理在大规模场景部署中可能存在的问题做出讨论.     

直通链路技术的发展与展望

直通链路技术己广泛应用于车联网场景。对于直通链路技术的潜在技术方向给出可行的建议，包括传统直通链路技术的增强方向，如载波聚合、使用非授权频谱等；侧行链路对于中继场景的应用扩展，包括终端到终端之间的中继，以及中继的多链接场景；在高精度定位场景使用直通链路技术。并且，给出直通链路技术与各种新技术的融合应用，如智能反射面与区块链技术，从而解决直通链路技术自身的缺陷。     

Comparison of yield and metabolites according to the types of hilling materials utilized during Glehnia littoralis sprout vegetable cultivation

Food Science and Biotechnology - Various hilling materials (rice hulls, pine sawdust, and perlite) were compared to produce sprout vegetables using beach silvertop (Glehnia littoralis Fr. Schm. ex...     

TEMPO氧化修饰的天然多糖纳米纤维增强复合材料及其功能化研究进展

纤维素和几丁质具有相似的结构，是自然界中储量丰富的两类天然多糖。经2, 2, 6, 6-四甲基哌啶氮氧化物(TEMPO)氧化修饰制备的纤维素和几丁质纳米纤维，不仅具有多糖类物质的良好亲水性、生物可降解性、生物相容性及丰富的官能团(羟基、羧基、乙酰氨基和氨基等)所带来的特定化学性质，而且还具有纳米纤维的纳米尺寸效应、大比表面积、高表面活性、高结晶度和手性液晶相结构等特点，已成为生物质纳米材料领域的研究重点之一。本文对TEMPO氧化修饰制备天然多糖纳米纤维的方法及剥离机制进行了总结，同时重点综述了TEMPO氧化修饰的天然多糖纳米纤维在薄膜、凝胶、导电、医用、电磁屏蔽及环境等复合材料的增强和功能升级等方面的研究进展，强调了纤维素和几丁质纳米纤维的官能团及纳米尺寸在复合材料中的增效机制。最后，对天然多糖纳米纤维的发展方向及其在各领域应用的机遇与挑战进行了展望。     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。