【摘 要】
：
近年来,超表面吸波器件因其具有体积小、质量轻、吸波性能好的优势,且能够有效解决传统吸波器件在军事、民用领域高指标的工程需求,从而引发了极大地关注。为了满足宽带以及智能的需求、解决不可调吸波超表面应用受限的问题,可调吸波超表面器件应运而生。一般来说,可调吸波超表面可以通过加载可调元器件或者材料的方式来实现,如基于集总元器件、液晶、石墨烯以及微流控等方式。然而这些方式存在制造复杂、需要外加电源的问题。
论文部分内容阅读
近年来,超表面吸波器件因其具有体积小、质量轻、吸波性能好的优势,且能够有效解决传统吸波器件在军事、民用领域高指标的工程需求,从而引发了极大地关注。为了满足宽带以及智能的需求、解决不可调吸波超表面应用受限的问题,可调吸波超表面器件应运而生。一般来说,可调吸波超表面可以通过加载可调元器件或者材料的方式来实现,如基于集总元器件、液晶、石墨烯以及微流控等方式。然而这些方式存在制造复杂、需要外加电源的问题。为此,本文创新性地提出了一种基于形状记忆聚合物材料的可调吸波超表面。本文的主要研究内容及创新性贡献如下:1、提出了一种基于形状记忆材料的可调超表面设计方法。探究形状记忆材料具有的形状记忆效应、如何将形状记忆材料应用在超表面的设计当中、以及形状记忆材料的选型与加工。2、设计了一种基于形状记忆材料的频率可调吸波超表面。引入形状记忆材料,将形状记忆材料运用到可调吸波超表面的结构设计中,借助全波仿真工具,调节结构参数,完成基于形状记忆材料的频率可调吸波超表面的建模及仿真,实现11.3 GHz至13.5 GHz频率可调范围。该可调吸波超表面为吸波频率可调器件提供了一种新的设计思路。3、设计了一种基于形状记忆材料的幅度可调吸波超表面。将形状记忆材料运用到可调吸波超表面的结构设计中,并借助全波仿真工具,调节结构参数,完成基于形状记忆材料的幅度可调吸波超表面的建模及仿真,实现幅度可调。本文所提出的可调吸波超表面为吸波幅度可调器件的设计开辟了一种新途径。
其他文献
随着遥感领域技术的飞速发展,带来了随年份递增的大量的影像数据,这些数据仍然依靠人工解译处理。而人工作业模式,己经越来越无法满足高效、快速提供图斑解译的应用要求。近年来飞速发展的深度学习技术为大数据时代的图斑解译提供了新的解决方案。与传统方法相比,深度学习方法完全基于数据驱动,可以批量处理输入地图像,快速地实现遥感解译工作。因此本文使用深度学习中的语义分割实现了可自动化的生产建设项目图斑解译工作。然
在现在信息化社会飞速发展的年代,电源管理芯片不仅在传统的消费电子领域应用广泛,电动汽车、物联网、医疗、工业机器人、人工智能等新兴产业日新月异的发展也为电源管理芯片开辟了新的市场,推动着电源管理芯片技术的革新与进步。针对在通信、工业、汽车、新能源等领域对高效率、低纹波、大功率的电源芯片日益增长的需求,传统单路DC-DC转换器的应用越来越局限,而双路交错技术的纹波特性好、功率开关管应力小等诸多优势慢慢
在人工智能的时代,面向大数据的机器学习算法为人类现实生活提供大量的便捷。但是这些中心化的算法往往需要收集大量的隐私数据,这也引发了人们对数据安全问题的担忧。在这样的背景下,联邦学习的概念被提出。联邦学习框架里,个人隐私数据无需上传到中央服务器或第三方平台,而是保存在个人设备本地,并直接在本地训练联合模型,中央服务器只收集本地更新参数用于联合模型的更新。联邦学习为使用去中心化数据训练联合模型提供解决
遥感图像在军事、农林、水利、交通等领域的应用十分广泛。受限于传感器的成像特点,无法通过单一传感器获得同时具有高空间分辨率与高光谱分辨率的遥感图像,遥感图像融合技术通过将同一场景不同传感器所拍摄的遥感图像进行结合,从而得到高质量遥感图像,以便后期各相关领域使用。本文研究了基于图像多方向特征及模糊神经网络的遥感图像融合算法,具体内容如下:研究了基于优化模糊结构的模糊神经网络的遥感图像融合算法,设置了四
随着深度学习的浪潮不断袭来,基于深度学习的各种算法的性能极限也在不断刷新。然而作为实现这些人工智能算法的重要基础,足够的优质数据却并不容易获取。随着人们隐私意识的提高和相关法律法规的完善,现实场景中数据分布呈现有限和分散的孤岛。联邦学习算法的提出为在法律约束下使用分布式数据训练联合模型提供了解决方案。然而,传统的联邦学习算法面临着通信成本高、系统异质性、统计异质性、模型异构性和激励措施设计等挑战。
电感式位置传感器是一种非接触式位置传感器,因其具有高可靠性、高分辨率、高线性度和优秀的抗杂散磁场能力等优点而广泛应用于汽车电子、机器人行业、自动仓储行业、太阳能行业、航空航天以及轨道交通运输等行业。随着位置传感器产品不断更迭,电感式位置传感器在未来向着高精度、低噪声、低输出延时、高灵敏度等方向发展,这些发展方向对电感式位置传感器设计提出了更高的要求。本文以提高精度为主要目标,采用0.18μm 30
语义分割作为计算机视觉研究的重要任务之一,能够对图像进行稠密预测,即实现像素级分类。语义分割由于能够提供丰富的场景信息,而被广泛应用于诸多领域,如自动驾驶、医学病灶区域分割、虚拟现实、土地情况检测等。与传统方法相比,深度学习出于其优秀的学习能力和特征表示能力,被广泛应用于很多领域,并促进了这些领域的发展。近年来,在深度学习的推动下,图像语义分割方法取得了长足的进步,但仍存在一些问题。例如,许多语义
图像及视频是信息的高维载体形式,由于与人眼获取信息的方式最为接近,包含大量直观、丰富且有价值的信息内容,因此成为最受欢迎的信息媒介。然而,由于云环境中的不可信存储,以及公共信道中的安全传输难以得到保障,某些包含了机密内容或隐私信息的图像及视频数据面临着泄露、窃取和篡改等严重安全问题。因此,图像及视频内容的安全保护是非常重要且有挑战性的工作。针对上述挑战,从数字图像及视频诞生之初,便有众多学者从不同
高分辨率的高光谱图像具有丰富的空间信息和光谱信息,便于目标检测、识别和跟踪,因而被广泛应用于军事侦察、农业生产和灾害预测等领域。然而,受限于物理设备和成像方式,我们无法获取同时在空间和光谱上都具有高分辨率的高光谱图像,这极大地限制了高光谱图像的应用的精度。因此,通过高光谱图像和同一场景下的全色或多光谱图像融合成高空谱分辨率的目标图像成了一个热门的研究课题。模型驱动融合算法具有严谨的物理意义,但其性
面向遥感图像的目标检测在军用及民用的多个领域有着重要应用,例如车辆检测、船舶检测、城市规划等。深度学习是近几年来的一大热点,基于深度学习的目标检测算法研究发展迅速,在Image Net、COCO等光学图像数据集上有着不俗的表现。随着遥感图像领域的相关研究被人愈发重视,数据丰富、图像清晰的高质量遥感图像数据集也纷纷涌现,这给面向遥感图像的目标检测研究带来了极大的便利。针对光学遥感图像尺寸多样、方向不