为了获得瓦(W)级546nm波段的连续激光输出,采用高功率激光二极管(LD)端面泵浦Nd:YAG激光晶体,通过谐振腔反射镜膜系的特殊设计,在单通道双共振腔内获得Nd:YAG激光器的1073.8nm和1112.1nm两条谱线同时运转,并通过在腔内插入非线性光学晶体三硼酸锂(LBO)进行腔内和频,获得546.3nm绿光连续输出。
当抽运光功率为24W时,输出的546.3nm绿光功率高达1.58W,其光-光转换效率为6.6%。
调节LBO方位角,还可以分别获得1073.8nm和1112.1nm的倍频光537nm和556nm输出。

本文报道了以590.0～625.0nm宽波段范围内任何波长的脉冲激光双光子激发锂分子,均可产生435.0～445.0nm扩散带受激辐射的实验结果,对激发和发射机制进行了讨论。

本文将染料激光器的模式耦合方程应用于双频复合腔染料激光器,得到双频稳定运转条件,双频抑制宽度条件和双频强度比等.利用一种图解法可知,这类激光器有四种典型的调频过程,并可方便地得到若干参量,本文还报导了两种新构型的双频复合腔闪光灯泵浦的染料激光器,实验结果与理论基本吻合.

提出了一种可以实现同种或异种金属材料固态冶金结合的新型激光冲击点焊工艺。
实验中，采用Nd∶YAG激光器发出的脉冲激光驱动厚度为30μm的钛箔产生局部塑性变形，并以超高速撞击厚度为100μm的铝板以实现点焊连接。
当钛箔的飞行距离分别为0.3、0.6、0.9mm时，焊点中心的回弹区域面积依次减小，而结合区域面积依次增大。
采用冷镶嵌技术制样用来观察焊点的截面特征，发现了沿焊点直径方向振幅和周期变化的波形界面和平直型界面。
为研究激光冲击点焊对材料力学性能的影响，应用纳米压痕测试技术测量了垂直于焊接界面方向材料的显微硬度，结果表明焊接界面附近材料的硬度值明显提高。
此外，焊接试样的拉伸剪切测试结果表明，当复板和基板发生有效固态冶金结合时其连接强度较高，失效形式通常是焊点边缘破裂。
激光冲击点焊为厚度在微米级的异种金属箔板的点焊连结开辟了新途径。

搭建了一套基于Photo-CELIV测量载流子迁移率的实验系统。
采用Nd3+YAG脉冲激光器作为诱导光源，在1~20Hz的工作频率下，实验系统可输出波长为532nm、脉宽为10ns的激光脉冲，其能量在0.1~1mJ范围内可调，光斑直径小于2mm，激光器持续工作5h后的能量不稳定度为±8%。
该研究为半导体材料载流子迁移率的测量提供了一定的参考。

HypeLCNN概述该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码（正在审查中）使用Tensorflow1.x开发（在1.10至1.15版上测试）。
该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。
主要特点：支持超参数估计基于插件的神经网络实现（通过NNModel接口）基于插件的数据集集成（通过DataLoader接口）培训的数据有效实现（基于内存的有效/基于内存/记录的）能够在经典机器学习方法中使用数据集集成神经网络的培训，分类和指标集成胶囊网络和神经网络的示例实现基于CPU/GPU/TPU（进行中）的培训基于GAN的数据增强器集成交叉折叠验证支持源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践注意：数据集文件太

在遥感领域，数据集是研究和开发的关键资源，它们为模型训练、验证和测试提供了必要的数据。
"高光谱和LiDAR多模态遥感图像分类数据集"是这样一种专门针对遥感图像处理的宝贵资源，它结合了两种不同类型的数据——高光谱图像和LiDAR（LightDetectionandRanging）数据，以实现更精确的图像分类。
高光谱图像，也称为光谱成像，是一种捕捉和记录物体反射或发射的光谱信息的技术。
这种技术能够提供数百个连续的光谱波段，每个波段对应一个窄的电磁谱段。
通过分析这些波段，我们可以获取物体的详细化学和物理特性，例如植被健康、土壤类型、水体污染等，这对环境监测、城市规划、农业管理等有着重要的应用。
LiDAR则是一种主动遥感技术，它通过向地面发射激光脉冲并测量回波时间来计算目标的距离。
LiDAR数据可以生成高精度的地形模型，包括地表特征如建筑物、树木和地形起伏。
此外，LiDAR还能穿透植被，揭示地表覆盖下的特征，如地基和地下结构。
这个数据集包含了三个不同的地区：Houston2013、Trento和MUUFL。
每个地区可能对应不同的地理环境和应用场景，这为研究者提供了多样性的数据，以便他们在不同条件和场景下测试和比较分类算法的效果。
数据集的分类任务通常涉及识别图像中的各种地物类别，如建筑、水体、植被、道路等。
多模态数据结合可以显著提升分类的准确性，因为高光谱数据提供了丰富的光谱信息，而LiDAR数据则提供了高度精确的空间信息。
将这两者结合起来，可以形成一个强大的特征空间，帮助区分相似的地物类别，减少分类错误。
在实际应用中，这个数据集可以用于训练深度学习或机器学习模型，比如卷积神经网络(CNN)。
通过在这样的多模态数据上训练，模型能够学习到如何综合解析光谱和空间信息，从而提高对遥感图像的分类能力。
对于研究人员和开发者来说，这个数据集提供了理想的平台，用于开发新的图像分析技术，改进现有算法，并推动遥感图像处理领域的创新。
"高光谱和LiDAR多模态遥感图像分类数据集"是一个涵盖了多种地理环境和两种互补遥感技术的宝贵资源，对于理解地物特性、提升遥感图像分类精度以及推动遥感技术的发展具有重大价值。
通过深入研究和利用这个数据集，我们可以期待在未来实现更加智能化和精确化的地球表面监测。

基于光学密码术的时空重影与混沌激光。

直接调制DBR激光器的频率chi补偿

1kHz，2mJ，45fs，800nm激光脉冲通过次饱和区（相对湿度〜73％，T〜4.3℃）。
激光照射60分钟后，呈椭圆形在灯丝中心正下方观察到雪堆，重约12.0mg。
气流速度涡流的边缘估计为〜16.5cm/s。
从侧面看录制的分散场景灯丝引起的湍流是在云室内形成的，灯丝下方有两个涡流。
在云室的两个横截面中的气流运动的二维模拟证实了灯丝下方存在湍流涡流。
基于此模拟，我们推断出涡流确实具有三维椭圆形。
因此，我们建议在湿度过饱和的内部涡流中或饱和的凝结核，即HNO3，N2+，O2+和其他气溶胶和杂质被激活并扩大了规模。
最终，大颗粒会沿着快速移动的方向朝旋转方向旋转。
冷板并在末端形成一个椭圆形的雪堆。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。