将渐变波导模式方程(WKB积分方程)化为分段积分,以波导某一模式在不同波长下的转折点为分段点,当波长相差很小时,相应的转折点相差也很小,可在各个分段积分中作折线近似,从而从理论上推出确定波导轮廓数据的递推式.以所得轮廓必须满足光滑条件为判据,最后定出波导的轮廓.该方法尤其适用于单模渐变波导,而且无需事先假设待定轮廓的函数形式.本文对双曲止割和抛物线轮廓的理想波导进行了计算机模拟,结果证明该方法的精度达到10~(-3)甚至于更高.而且理论上具有分割愈密,精度愈高的优点.
2024/9/12 1:56:26
3.39MB
1
实验研究了主动调Q掺镱光纤激光器(YDFL)中放大自发辐射(ASE)对调Q脉冲形成和演化的影响。
结果表明,尾纤型声光调制器(AOM)打开过快和掺镜光纤(YDF)增益瞬态特性间的综合相互作用结果,使得注入至腔内的初始宽带ASE形成功率波动,并在腔内循环放大,导致输出脉冲呈多峰结构;而注入的宽带ASE因功率过高会导致YDF的增益自饱和效应,制约高增益的获取,使激光器难以获得调Q激光脉冲,输出脉冲主要为调Q的ASE脉冲;通过引入光纤布拉格光栅(FBG),可以有效抑制YDF中因ASE产生的增益饱和效应,YDF工作在高增益状态,有利于获得低阈值、窄脉宽和高峰值功率的调Q激光脉冲。
引入FBG后,在160mW抽运时,实验测得的调Q激光脉冲峰值功率和脉宽分别为40.7W和30ns。
结果表明,尾纤型声光调制器(AOM)打开过快和掺镜光纤(YDF)增益瞬态特性间的综合相互作用结果,使得注入至腔内的初始宽带ASE形成功率波动,并在腔内循环放大,导致输出脉冲呈多峰结构;而注入的宽带ASE因功率过高会导致YDF的增益自饱和效应,制约高增益的获取,使激光器难以获得调Q激光脉冲,输出脉冲主要为调Q的ASE脉冲;通过引入光纤布拉格光栅(FBG),可以有效抑制YDF中因ASE产生的增益饱和效应,YDF工作在高增益状态,有利于获得低阈值、窄脉宽和高峰值功率的调Q激光脉冲。
引入FBG后,在160mW抽运时,实验测得的调Q激光脉冲峰值功率和脉宽分别为40.7W和30ns。
2024/9/11 16:10:38
2.46MB
1
按以下规律编码：字母A变为E，a变为e，即变成其后的第4个字母，W变为A，Y变为C，Ｚ变为Ｄ，非字母不变。
如输入“China”变为“Glmre”。
要求：提示输入一字符串（字符个数至少8个）；
键盘输入，Enter键结束输入，并换行显示结果。
如输入“China”变为“Glmre”。
要求：提示输入一字符串（字符个数至少8个）；
键盘输入，Enter键结束输入，并换行显示结果。
2024/9/10 16:44:47
2KB
1
时隔半年，对网络调试助手工具进行所有代码重写，这次目录结果整齐的一逼，代码整齐的一逼，非常完善了，打死也不再改版了。
这次真的打死也不再改版了。
旧版本1：http://www.qtcn.org/bbs/read-htm-tid-55540.html旧版本2：http://www.qtcn.org/bbs/read-htm-tid-62636.html基本功能：1：16进制数据和ASCII数据收发。
2：定时器自动发送。
3：自动从配置文件加载最后一次的界面设置。
4：自动从配置文件加载数据发送下拉框的数据。
可以将经常使用的数据填写在send.txt中。
5：可启用设备模拟回复，当收到某个数据时，模拟设备自动回复数据。
对应数据格式填写在device.txt中。
6：可对单个在线连接发送数据，也可勾选全部进行发送。
7：支持多个客户端连接并发。
8：采用单线程。
9：四种模式，tcp服务器、tcp客户端、udp服务器、udp客户端。
这次真的打死也不再改版了。
旧版本1：http://www.qtcn.org/bbs/read-htm-tid-55540.html旧版本2：http://www.qtcn.org/bbs/read-htm-tid-62636.html基本功能：1：16进制数据和ASCII数据收发。
2：定时器自动发送。
3：自动从配置文件加载最后一次的界面设置。
4：自动从配置文件加载数据发送下拉框的数据。
可以将经常使用的数据填写在send.txt中。
5：可启用设备模拟回复，当收到某个数据时，模拟设备自动回复数据。
对应数据格式填写在device.txt中。
6：可对单个在线连接发送数据，也可勾选全部进行发送。
7：支持多个客户端连接并发。
8：采用单线程。
9：四种模式，tcp服务器、tcp客户端、udp服务器、udp客户端。
2024/9/10 10:22:16
263KB
1
引入辅助任务信息有助于立体匹配模型理解相关知识,但也会增加模型训练的复杂度。
为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。
该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。
根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。
提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。
实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。
为解决模型训练对额外标签数据的依赖问题,提出了一种利用双目图像的自相关性进行多任务学习的立体匹配算法。
该算法在多层级渐进细化过程中引入了边缘和特征一致性信息,并采用循环迭代的方式更新视差图。
根据双目图像中视差的局部平滑性和左右特征一致性构建了损失函数,在不依赖额外标签数据的情况下就可以引导模型学习边缘和特征一致性信息。
提出了一种尺度注意的空间金字塔池化,使模型能够根据局部图像特征来确定不同区域中不同尺度特征的重要性。
实验结果表明:辅助任务的引入提高了视差图精度,为视差图的可信区域提供了重要依据,在无监督学习中可用于确定单视角可见区域;在KITTI2015测试集上,所提算法的精度和运行效率均具有一定的竞争力。
2024/9/10 3:04:09
8.11MB
1
yolov3是优秀的目标检测算法，笔者曾用yolov3完成《数字图像处理》的课程设计，课程设计是大型交通标志牌的检测，使用yolov3模型能够获得很好的效果，文件包括yolov3的论文、笔者录制的视频目标检测结果
2024/9/9 20:32:43
46.26MB
1
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。
2024-04-09 15:03
15KB