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。