研究了烧结温度对海藻酸钠离子凝胶法制备3-1型多孔PZT压电陶瓷和凝胶注模法制备3-3型多孔PZT压电陶瓷性能的影响。结果表明: 当烧结温度从1 150 ℃升至1 250 ℃, 多孔PZT陶瓷的孔隙率降低, 晶粒尺寸、介电常数、压电系数、厚度机电耦合系数和抗压强度增大, 静水压压电系数与静水压品质因数随之降低。3-1型PZT陶瓷具有定向直通孔结构, 且在成型过程中引入Ca2+。因此, 在相同的烧结温度下, 3-1型PZT陶瓷的介电常数和抗压强度高于3-3型PZT陶瓷, 可靠性和稳定性更强, 压电系数和静水压品质因数则低于3-3型PZT陶瓷, 灵敏度下降。3-1型PZT陶瓷的静水压品质因数最高可达到4 755×10-15 Pa-1, 适用于高灵敏度压电水听器。

简要介绍了红外焦平面阵列的原理、分类及特点。从制冷型与非制冷型两方面，并按照材料和技术参数的主线，分析了红外焦平面阵列的发展现状，列举了各型红外焦平面探测器产品及其技术特点，预测了红外焦平面阵列的发展趋势。最后归纳总结了红外成像技术在环境探测、成像侦察、导弹预警等航天遥感领域的应用，并对其前景进行了展望。

采用数值模拟的方法研究了具有相同的平均In组分, 但In组分的分布不同的3个紫色InGaN/GaN单量子阱样品的光谱特性。通过分析样品的电致发光谱、能带结构、波函数交叠以及载流子浓度分布等, 发现沿生长方向阱内In组分线性增加的单量子阱样品的发光效率最高, 而In组分线性减小的样品发光效率最低。这是因为In组分的线性增加能够减弱极化场对价带的影响, 使阱内价带变得更加平缓。这不仅降低了空穴的注入势垒高度、增大了阱中的空穴浓度, 还增强了阱内电子-空穴波函数的交叠积分, 提高了辐射复合几率, 从而使In组分线性增加的量子阱的发光效率显著提高。

边缘智能是人工智能（AI）技术与边缘计算的结合，能满足行业数字化在实时业务、数据优化和应用智能等方面的关键需求。文章开创性地提出了边缘智能2.0的概念，以此为基础设计并搭建了基于开源框架的工业互联网平台，并引入了云网融合、云边协同与边边协作的理念，达到云、网、边、端4位一体的协同。将边缘智能应用到表面贴装技术(SMT)生产线，通过数据建模与分析和优化制程参数，以实现制造企业的降本减存与提质增效。

对比3种类型高光谱数据以及2种分类算法, 从那曲地区HSI高光谱图像上识别4个草种。 结合实地踏勘从HSI高光谱图像上采集藏北嵩草、 紫花针茅、 高山蒿草和小嵩草这4个草种的原始光谱反射率数据, 并分别进行导数变换、 对数变换, 得到4个草种的原始光谱、 一阶导数光谱、 对数变换光谱。 对这3种光谱数据进行谱线波形分异特征比较、 单因素方差分析以及相关分析, 从这3种光谱数据中提取出各自适用的敏感谱段, 然后将3种光谱数据的敏感谱段分别导入KICA-NFCM算法, 通过对HSI图像分类识别出4个草种。 对比3种光谱数据各自分类图的识别精度, 评价3种光谱数据敏感谱段的适用性； 再将3种光谱数据的敏感谱段分别导入ICA-FCM算法, 与KICA-NFCM算法分类结果比较对4个草种的识别精度。 结果显示谱线波形分异特征比较、 单因素方差分析以及相关分析表明, 原始光谱、 一阶导数光谱、 对数变换光谱的敏感谱段分别为788～925, 711～742, 669～682与788～925 nm； 使用这3种光谱数据进行KICA-NFCM分类, 总体精度、 Kappa系数分别为75.38%, 0.685, 81.26%, 0.752, 87.65%, 0.823； 使用3种光谱数据进行ICA-FCM分类, 总体精度、 Kappa系数分别为64.39%, 0.569, 67.74%, 0.604, 73.14%, 0.662。 比较结果表明对数变换能够增强多组相似光谱数据之问的峰谷特征差异, 为通过谱线波形分异特征比较选取敏感谱段创造条件； KICA-NFCM算法可以优化输入特征、 并引入加权邻域空间信息计算隶属度函数, 针对性解决了标准FCM算法在处理高光谱图像时, 目标识别过程受邻域噪声影响, 分类图像“椒盐效应”显著、 同质区域连通性差的问题。 结果表明: 应用“对数变换光谱/KICA-NFCM算法”组合能够最准确的从HSI图像上识别4个草种, 有效减少混分误判现象, 为精准开展高寒草地成像高光谱观测提供技术基础。

基于锑化铟(InSb)红外探测器的大批量生产，发现电极薄膜微应力会引起 器件性能劣化。通过实验设计验证了金电极薄膜微应力对InSb芯片探测率、灵敏度和可靠性的 影响。研究了电极薄膜微应力的可恢复性及其作用机理，并提出了控制和优化电极微应力的途径，为 从工艺结构上提高红外探测器的性能和可靠性奠定了理论参考和实验基础。

使用高光谱仪ASD Field Spec在波长范围400～1000 nm内采集有机质含量不同的土壤反射光谱数据并作对数变换处理; 之后在不同尺度的微分窗口下求取其一阶导数(一阶导数光谱)并进行小波阈值去噪; 从一阶导数光谱中提取特征参数表征有机质含量变化.结果表明, 微分窗口尺度w=1~5时, 土壤一阶导数光谱中含有大量噪声, 对一阶导数光谱曲线形态和有机质吸收特征的识别造成严重干扰; 微分窗口尺度w=6~15时, 土壤一阶导数光谱中的噪声得到一定程度的去除, 但仍无法准确判别有机质的吸收特征; 微分窗口尺度w=16~30时, 土壤一阶导数光谱中的噪声被有效去除, 其中当w=19时, 从一阶导数光谱中提取的特征参数MD19s与土壤有机质含量的相关系数为-0.803.MD19s能够较为准确地指示有机质含量变化, 而且运算简单, 易于实现, 为在精准农业中采用可见/近红外反射光谱分析技术快速检测土壤有机质提供了新的途径.

分别于返青期、 拔节期、 抽穗期和灌浆期采集不同磷素处理的冬小麦叶片原始高光谱数据; 之后求取其一阶导数(一阶导数光谱)并进行小波去噪处理; 通过分析原始光谱和一阶导数光谱对不同磷素处理水平的响应特征, 确定敏感波长范围并提取四种吸收面积; 将每个叶片磷素含量值对应的四种吸收面积的归一化值, 作为样本空间样本点的位置坐标(4维样本输入矢量), 对应叶片磷素含量的归一化值作为该样本点的目标输出, 二者同时提交给径向基函数神经网络。 结果表明： (1)冬小麦叶片原始光谱对叶片磷素含量变化反应敏感的波长范围为426～435 nm和669～680 nm。 (2)一阶导数光谱的敏感波长范围为481～493 nm和685～696 nm。 (3)训练后的径向基函数神经网络模型能够学习和掌握样本点与目标输出之间的线性/非线性映射关系, 并且具有一定的推广能力。