与广泛应用的以微波为代表的无线系统和以光纤为代表的有线系统相比, 太赫兹除了其特殊的频谱特性外, 人们期待太赫兹频段用于无线系统能突破微波系统的带宽限制, 实现可与光纤系统相媲美的大带宽, 并具有无线系统的灵活性和智能化。但如何实现宽带、智能以及具有较远作用距离的太赫兹系统, 面临极大的挑战性。本文介绍了光电融合智能太赫兹的体系架构, 重点讨论了基于光电融合的太赫兹源、接收检测、阵列天线以及太赫兹光电混频器等关键技术的国内外研究进展与进一步发展方向, 以期解决单纯的电子学方式或光子学方式存在的难以克服的瓶颈限制。

叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。

随着人工智能和无人技术的发展应用, 未来制空作战的规模化对抗进程加快。分析了未来制空作战平台及制空作战**的发展情况, 梳理了规模化空战具备的参战平台高密度协同对抗、制空**饱和协同攻击、网络信息作为基础支撑的主要特点, 从作战使用、生产制造、设计研制等方面分析了规模化空战对未来空空导弹发展的需求和影响, 可为空空导弹的未来发展提供一定的技术借鉴。

为了满足低电压条件下高速高精度采样需求, 设计了一种电压-时域两级混合结构流水线模数转换器(ADC)。该流水线ADC的第一级逐次逼近型(SAR) ADC将电压转换为8 bit数字, 残差电压变换为时域延时信息后, 第二级4.5 bit时间数字转换器(TDC)将延时转换, 最终校准输出, 实现12 bit精度转换。通过采用多电压供电、改进残差电压转移和放大器结构, 以及优化时间判决器, 提升了ADC的动态性能和采样速度, 降低了采样功耗。该ADC基于40 nm CMOS工艺设计和仿真。采样率为200 MS/s时, 功耗为9.5 mW, 动态指标SNDR、SFDR分别达到68.4 dB、83.6 dB, 优值为22 pJ·conv-1·step-1, 能够满足低功耗高速采样的应用需求。

针对无人机航摄图像中目标尺寸差异大导致的感受野难以同时兼顾不同尺寸物体分割效果的问题，提出了利用两路分支分别提取浅层和深层信息的双路特征融合网络（DSFA-Net）。在编码器中，浅层分支利用三个串行ConvNeXt模块提取高通道数的浅层特征以保留更多空间细节；深层分支利用坐标注意力空洞空间金字塔池化（CA-ASPP）模块为特征图重新分配权重，使网络更加关注尺寸各异的分割目标，获得深层多尺度特征。在解码过程中，网络利用双边引导融合模块为两层特征建立通信以进行分辨率融合，提高层级特征的利用率。所提方法在AeroScapes和Semantic Drone航摄图像数据集上进行了实验，其平均交并比分别达到83.16%和72.09%、平均像素准确率分别达到90.75%和80.34%。与主流的语义分割方法相比，所提方法对于具有较大尺寸差异的目标，分割能力更强，更适用于无人机航摄图像场景下的语义分割任务。