基于CGAN增强的新冠病毒拉曼光谱深度学习分类研究

新型冠状病毒的出现给全球经济、公共安全等方面带来严重损失。如今新型冠状病毒仍然在全球肆虐,加强病毒的检测和诊断是一项急需解决的工作,快速且准确地诊断新冠病毒对疫情防控尤为重要。随着技术的发展,深度学习在检测识别方面有了许多突破性进展,吸引着研究者的广泛关注。然而深度学习需要大量数据进行模型训练,而新冠病毒的拉曼光谱采集过程受到器件和环境等诸多问题的限制,导致获取大批量的数据非常困难。有限的训练数据会阻碍深度学习模型的训练,导致深度学习模型训练受阻,精度有限,以至于深度学习模型在真正的检测中表现不佳。为解决这一问题,该研究引入条件生成对抗网络,自动提取拉曼光谱数据特征,通过学习生成新的光谱来完成新冠病毒的拉曼光谱数据扩充工作。这些方法能有效增加训练集数量从而提高模型准确性。利用数据增强后的拉曼光谱数据和深度神经网络以及传统的机器学习方法逻辑回归、决策树、随机森林、支持向量机、KNN算法,完成新冠病毒的诊断。实验结果表明,深度神经网络对是否感染新型冠状病毒的预测准确率达到98%,高于传统机器学习算法,证明了深度学习模型在新冠病毒拉曼光谱检测中的优越性。该研究还对比了增强前后的数据集在不同模型中的表现,证明了数据增强的作用。与传统的检测方法相比,该方法具有无损、快速、准确等特点,为生物医学检测新冠病毒提供了一种新的思路。该方法可以为快速准确检测新冠病毒提供辅助,所采用的方法不仅可以应用于新冠病毒检测,还可以推广到其他疾病的诊断中,具有一定的实际应用价值。

液晶在气体传感领域的研究进展

基于液晶的气体传感器是一个新兴的研究领域。液晶本身具有化学多样性、可逆的分子排列和固有的自组装能力,可以满足传感器高灵敏度、快速响应、低能耗和选择性等要求。随着相关研究的深入,液晶气体传感方法也不断被完善。本文回顾了近几年基于液晶的气体传感技术,讨论了现有液晶气体传感技术的检测方法,主要包括向列相液晶的气体检测方法和胆甾相液晶的气体传感方法。向列相液晶的气体传感包括功能化基板的液晶膜传感、特性几何形貌的液晶传感和液晶液滴传感方法。胆甾相液晶的气体传感主要包括聚合物胆甾相液晶膜的气体传感、液晶液滴传感、基于光纤的气体检测以及纤维素气体传感。最后对液晶气体传感的应用和发展进行了阐述。

太赫兹波导多通道滤波器的研究

研究了一种基于多模共振的多通道太赫兹波导滤波器。在太赫兹周期结构波导中引入缺陷,可以在禁带范围内形成通带,从而实现窄带滤波。通过数值模拟对多通道滤波器的特性进行了研究。结果表明,通过改变缺陷长度可以实现通道数可调的多通道滤波功能,通道数可达10~12个,透过率均在98%以上。此外,改变波导结构的周期个数,还可实现对通带带宽的调控,最窄带宽可达0.01 GHz。该波导滤波器性能优良,具有结构紧凑、易于集成、透过率高、通道多、带宽窄等优点,为太赫兹波段功能器件的研制提供重要的技术参考。