摘要:量子级联技术基于多量子阱或超晶格结构中的子带跃迁和共振隧穿理论，既可以产生光源，又可以探测光信号，是量子级联激光器（QCL）和量子级联探测器（QCD）的理论基石，在检测、遥感、通信、雷达等领域具有广泛的应用前景。经过最近三十年的研究，量子级联技术在基础研究、产品性能以及应用系统研发和场景试验方面都取得了重大进展。本文首先简要介绍了量子级联技术的原理和发展历史，随后阐述了量子级联器件子带能级结构和电子输运动力学计算思路，接着重点综述了量子级联技术的研究进展，包括中远红外高功率QCL、中远红外宽调谐QCL、太赫兹QCL、高性能QCD，以及QCL和QCD的单芯片光子集成方面的内容，最后介绍了QCL和QCD的产品与应用情况。

摘要:在雷达成像装备试验中，传统真实场景测试方法构建难度大、场景有限、试验风险高，急需解决目标识别算法测试不充分、评估不全面的问题本文针对现有问题设计了一套目标识别算法测试系统，可提供合成孔径雷达图像和逆合成孔径雷达图像的处理、标注以及目标识别算法的自动运行、环境配置、性能评估等功能。相较于传统的试验方法，该系统具备成本低、试验时间短、可控性强、可扩展等优点。

摘要:传统的基于深度学习的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar，PolSAR）地物分类方法，通过堆叠卷积层提取图像局部特征，难以建立长距离依赖关系。基于自注意力机制的深度学习模型Transformer（变换）在图像分类任务中取得了成功，其自注意力机制能够捕获全局像素之间的关联性，同时PolSAR地物分类任务被证实：相比于实数域，其在复数域上表现出更好的分类效果。因此，本文将Transformer引入到复数域中，提出了一种基于复数域的Transformer和Unet（语义分割网络）混合模型（CT-Unet）用于PolSAR地物分类，将Transformer与CNN相结合，对复数类型的PolSAR数据进行特征提取，使用西安数据集和德国数据集进行PolSAR地物分类的实验结果表明：提出的模型能够有效提高PolSAR地物分类的准确性，Transformer有望在PolSAR地物分类任务中弥补卷积神经网络的不足。

摘要:随着网络加密协议的广泛使用，传统的网络流量分类技术面临很大的挑战。目前的方法具有以下局限性：一是模型高度依赖深度特征，这要求有标注训练数据集的规模足够大，否则模型难以在新的数据上进行泛化；二是模型仅专注于流量的一个模态特征，不同类别流量的同一模态的特征区分度可能不够明显。针对这些问题，本文提出了一种基于深度学习的加密流量分类模型Parallel Transformer Net（并行转换网络，PTNet）。该模型基于预训练-微调的半监督思想，充分利用网络中大量无标签流量数据进行预训练，然后在少量有标签数据的基础上进行微调。此外，该模型并行提取了载荷和包长序列两个模态的流量特征，进行多模态的特征融合，并在三种不同的流量分类任务与相应的数据集（Android、USTC-TFC和CSTNET-TLS1.3，均为公开的数据集）上都表现出很好的效果，分类准确率分别达到95%、98%和97%。

摘要:本文提出了一种新型的小型化宽阻带发夹型滤波器设计，旨在克服传统微带发夹滤波器在设计频率倍频处遇到的寄生通带问题。通过在传统发夹型滤波器的输入输出端上增加3个1/4波长的开路微带线，有效抑制了寄生通带，同时采用交叉耦合的方式实现了整体器件的小型化。通过设计、加工和测试等步骤，完成了一个工作带宽为400 MHz，中心频率为3 GHz的带通滤波器，插入损耗为2.5 dB，同时实现对13 GHz以下频段寄生通带的有效抑制，带外抑制达到24 dB。本文所提出的新型滤波器结构简单，设计难度低，尺寸仅为23 mm×27.7 mm，满足当前通信领域对高性能、小型化滤波器的需求，展现了良好的应用前景。

摘要:目前，星载高速存储设备中采用商用RS编译码IP核来实现数据纠错功能，能够实现的编译码最高速率为800 Mbps，只能依靠多个IP核同时工作达到吉比特高速数据存取速率的要求。星载存储数据发生错误的主要原因是存储区单粒子翻转和存储介质本身特性产生的单比特数据错误。针对星载存储数据的误码特性，本文提出一种RS编译码改进算法，通过对编码算法中的剩余多项式及译码算法中的伴随多项式进行降次处理，减小编译码过程中运算的迭代次数及计算量，以及对编译码算法中的基本运算单元有限域乘法器采用子项复用技术，实现对传统RS编译码算法的改进。结果表明改进后的编译码器能达到最高数据速率为10.5 Gbps，编码器资源较单个商用IP核减少15%，译码器资源减少40%，能够满足后续高速存储平台的应用要求。

摘要:为了实现分布式联合守时系统建立需求，设计了远程时间比对系统，包含卫星共视、卫星双向和光纤双向三种时间比对手段，系统内使用的国产化设备比对精度与进口设备相当，实现了实验室间多手段、高精度钟差测量。使用移动校准站完成了时间比对设备相对零值校准，在相距50 km的实验室间开展长达20天的时间比对，试验结果表明，三种比对手段测量得到两地钟差均值相差小于1 ns，变化趋势相同，变化幅度相近，均可以准确测量得到两地钟差。

摘要:现代战场的电磁环境十分复杂，这使得卫星对导航抗干扰接收机的鲁棒性需求变得更为迫切。极化敏感阵列是一种利用极化信息增加信号处理维度的技术，应用在导航领域可以改善接收机抗干扰性能。本文研究了双极化阵列在复杂电磁环境下的抗干扰效果，理论分析了信号模型与双极化阵列原理，通过HFSS对阵列天线进行有限元仿真获取各阵元的幅度相位信息，利用幅相信息合成导向矢量，在MATLAB中对普通阵列和双极化阵列抗干扰能力进行仿真。为验证理论仿真的可行性，研制了双极化阵列原理样机，在暗室环境采集数据并分析信号与干扰的输出功率。在外场进行的收星定位测试中比较了普通阵列与双极化阵列的定位结果。仿真和实测的结果表明，双极化阵列能抑制超自由度干扰，且对低仰角干扰有较好的鲁棒性。值得注意的是，双极化天线在保持接收机小型化的同时表现出较好的鲁棒性，为接收机小型化提供了可行的解决方案。

摘要:化学需氧量（COD）和叶绿素a（Chl-a）浓度作为与光谱相关的典型水质参数，是反映水体污染程度和富营养化程度的重要指标。支持向量回归模型（Support Vector Regression，SVR）适用于小样本，广泛用于近海典型水质参数的遥感反演，但也存在模型参数选择困难、容易陷入局部最优解的问题。针对这一问题，本文构建融合反向学习和模拟退火的改进麻雀算法（Improved Sparrow Search Algorithm，ISSA），通过改进麻雀算法对SVR模型的惩罚系数和核函数参数进行参数寻优，提出了一种改进的支持向量回归模型（ISSA-SVR）。通过该模型利用实测水面光谱与水质参数数据建立COD和Chl-a浓度反演模型。利用Sentinel-2卫星遥感光谱数据对模型的精度进行验证，得到各水质参数浓度的反演精度。采用ISSA算法优化SVR建立的COD浓度预测模型和Chl-a浓度预测模型的平均相对误差（MRE）分别为20.02%和30.17%。反演结果均优于其他模型（线性回归、SVR和SSA-SVR模型）。实验结果证实，ISSA-SVR算法是实现COD浓度和Chl-a浓度遥感反演的有效方法，可为我国近海典型水质参数遥感反演及后续水体科学管理提供参考。

摘要:星载激光探测载荷具有云、气溶胶垂直廓线的探测能力。国内外已有的载荷，例如美国Calipso卫星的Caliop雷达、国内“句芒号”卫星的多波束激光雷达和大气污染监测卫星的大气探测激光雷达，为单波束云-气溶胶探测，单次探测区域较窄。提出了多波束云-气溶胶探测激光雷达系统，该系统工作于800 km卫星轨道，采用多波束探测体制，扩展雷达的探测幅宽到30 km，中心波束采用双波长偏振探测获取大气气溶胶、云的垂直廓线和粒子种类，边缘波束采用单波长探测获取云垂直廓线，可极大地提高数据获取效率。采用单光子探测和模拟探测结合的探测方式，模拟探测保证探测的动态范围，单光子探测具有极高的探测灵敏度，降低雷达所需的激光能量，降低雷达的重量和功耗。最终通过模拟仿真，验证了星载多波束云-气溶胶探测雷达对典型云、气溶胶的探测效果。

摘要:利用无人机（Unmanned Aerial Vehicle， UAV）高光谱影像（Hyper-spectral Imaging， HSI）和激光雷达（Light Detection and Ranging， LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强，以及LiDAR点云密度不均匀，分类结果呈现出“椒盐”现象。为了解决这些问题，本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息，从而减轻LiDAR点云密度不均匀对结果的影响。最后，在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证，结果表明，本文提出方法的性能优于随机森林和五种深度学习方法，分类结果更为贴合实际土地覆盖，有效地抑制了“椒盐”现象。

摘要:岩性识别和分类是地质学、资源勘查等不可或缺的环节，高光谱遥感的兴起为岩性识别提供新的思路。利用机器学习挖掘岩石高光谱图像中的信息从而准确识别岩性，这具有重要的应用价值。目前用机器学习的方法实现岩石的高光谱影像分类研究中，缺少对空间和光谱信息的充分利用，因此本文使用了一种加入注意力机制的三维卷积残差网络结构，能够有效提取岩石高光谱图像的空间、光谱特征以及空谱联合特征。本实验利用无人机搭载高光谱传感器采集了10种不同类型的岩石样本影像，应用该算法对岩石高光谱图像进行分类。实验结果表明：该算法与传统机器学习算法SVM、RF和深度学习算法ResNet、3D CNN和SSRN相比具有更高的精度。