原子力显微镜几种成像模式在聚合物太阳能电池材料表征中的应用

聚合物太阳能电池材料表面柔软、粘弹性较强,很容易粘滞探针,从而影响到原子力显微镜的成像质量。本文通过比较轻敲模式、智能成像以及快速扫描模式三种原子力显微镜成像模式对聚合物太阳能电池材料的形貌和相位成像情况,分析探讨了探针型号的选择、作用力控制、扫描速率等参数对成像清晰度和准确性的影响。通过比较可知,弹性系数较小及具有反射镀层的探针均有利于聚合物类样品的检测;控制探针与样品之间较小作用力也有利于获得丰富的形貌信息;另外,扫描速率太高不利于获得细节形貌信息,应将扫描速率控制在一定范围内。因此,选择合适的成像条件和设置适当的扫描参数对原子力显微镜成功应用于分析表征聚合物太阳能电池材料样品具有十分重要的意义。     

增强现实虚拟人中的光照方向估计

光照一致性是增强现实中实现虚实融合的重要方面,有效的光照方向估计方法对增强现实系统具有重要意义。为了实现增强现实虚拟人的光照一致,利用增强现实虚拟人具有相对固定目标的特点,提出了一种新的光照方向估计方法。该方法通过对目标进行三维重建获取法线数据,克服了一般光照方向估计方法中难以得到目标的法线信息的困难。为了提高系统的运算效率,把对连续图像的分析改为对离散的采样点数据进行分析。实验证明了该方法在增强现实虚拟人的光照方向估计中是可行性的。     

基于SOA-MZI全光异或门的流密码技术研究

利用OptiSystem软件搭建了基于SOA-MZI全光异或门的流密码加解密系统仿真模型,对10Gb/sRZ码数据信号的全光加解密运算进行了仿真,得知注入加解密系统的信号光功率和SOA偏置电流是影响系统运算性能的两个关键因素.仿真结果表明:原始明文信号经过加解密处理后仍保持了较好的质量,整个加解密系统性能良好,加解密运算效率较高.     

分段函数在分段点处的导数

求分段函数在分段点处导数的过程中,容易产生两种错误的做法;一种是将分段点两边的表达式分别求导。然后将分段点的值代人;一种是将分段点两边的表达式分别求导．然后取其在分段点处的极限．通过分析可发现其错误的原因所在。从理论上可证明这两种做法在一定条件下的正确性．     

稻壳制备MCM-41分子筛疏水改性研究

以稻壳灰为硅源,水热法合成MCM-41分子筛.因MCM-41分子筛亲水性强,对疏水性有机污染物吸附效果欠佳的问题,以二甲基二乙氧基硅烷、甲基三乙氧基硅烷和乙烯基三甲氧基硅烷为改性剂分别对其进行疏水改性.通过润湿接触角、XRD和FT-IR等进行性能表征,以亚甲基蓝染料为目标污染物,考察疏水改性后分子筛的吸附性能.结果表明,改性剂中的硅烷基已顺利地接枝在MCM-41分子筛表面,并由疏水性基团≡Si-O-Si三替代了MCM-41分子筛表面的羟基,使MCM-41分子筛表面疏水.经乙烯基三甲氧基硅烷和甲基三乙氧基硅烷修饰后的分子筛的疏水性能优于二甲基二乙氧基硅烷修饰的分子筛疏水性,相应地前两者对亚甲基蓝的吸附容量也高于后者.     

Coherent optical frequency transfer via 972-km fiber link

We demonstrate coherent optical frequency dissemination over a distance of 972 km by cascading two spans where the phase noise is passively compensated for. Instead of employing a phase discriminator and a phase locking loop in the conventional active phase control scheme, the passive phase noise cancellation is realized by feeding double-trip beat-note frequency to the driver of the acoustic optical modulator at the local site. This passive scheme exhibits fine robustness and reliability, makin...     

论影响卫星信号传输的主要因素

卫星通信具有非常广泛的应用范围,如卫星电视、现代教育、GPS、测绘、气象、军事等领域,都广泛应用了卫星通信技术。同时,影响卫星信号传输的因素也日渐成为社会发展过程中需要关注的焦点问题。为促进相关技术的发展,文中对影响卫星信号传输的主要因素进行了阐述,希望能为相关人士提供借鉴。     

基于深度学习的石油污染物三维荧光光谱识别技术研究

石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱,是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大,不宜直接用数学模型描述,也不宜简单依靠人工观察分析。因此,根据深度学习的卷积神经网络（CNN）理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法,利用其强大的非线性运算能力、自适应表示学习能力,自动隐性地从训练数据中进行特征学习,实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品（汽油、机油、柴油）的训练和验证光谱数据集,基于Python深度学习框架Keras建立了CNN模型,并对CNN模型在光谱数据集上进行了训练、验证与测试实验,实现了被测油品的种类判别。实验结果表明：该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%,综合测试分类准确率达到82.65%,对单物质分类准确率为100%,验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类,也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持,为环境检测提供了一种新思路与新方法。