In组分渐变InGaN/GaN量子阱结构可以有效解决晶格失配所带来的LED发光效率降低的问题。采用Silvaco软件建立了In组分渐变量子阱结构数值计算模型，研究了量子阱中渐变层In组分及渐变层厚度对极化电荷密度、载流子浓度及LED功率谱密度的影响。研究结果表明：随着渐变层中In组分的增加，载流子浓度以及极化电荷密度都在增大，但极化电荷密度增幅较小，峰值功率谱密度随着In组分增加的增长幅度逐渐减小；功率谱密度随着渐变层顶层厚度的增加先增大后减小，渐变层非顶层厚度不均匀时的功率谱密度比均匀时的功率谱密度小。

激光抛光是一种非接触式绿色自动化抛光技术，可以替代传统的抛光技术。为了研究激光抛光对DC53淬硬钢表面质量问题，采用波长为1064 nm的连续激光对DC53淬硬钢表面进行抛光处理，研究了激光抛光后材料的表面粗糙度、硬度、杨氏模量、耐腐蚀性能以及加工表面亚表层微观组织的变化。结果表明：在激光功率为180 W、扫描速度为20 mm/s、扫描间距为0.06 mm时平均粗糙度从4.829 μm降低到0.505 μm，粗糙度降低约90%，同时抛光后材料的表面硬度及耐腐蚀性能相较于初始样品均有所下降，熔融区硬度下降约40%，自腐蚀电位下降约4%。

针对低截获概率雷达信号设计中的复杂度问题，提出了一种新型复合调制信号，即脉间Costas频率编码、脉内混沌二相码（CTPC）的Costas/CTPC复合信号。混沌二相码的引入，增加了信号相位的随机性。然后理论上分析了该复合调制信号的组成。最后通过仿真，对参数优化过后Costas/CTPC信号的自相关函数、互相关函数、功率谱密度和模糊函数进行了分析。仿真结果表明：该信号相比Costas信号、Costas/Bark信号、LFM/Bark信号及Costas/LFM信号具有更好的自相关性能，同时还具有良好的抗干扰性能和极低的截获性能，十分适合应用于低截获概率雷达系统中。

空间引力波探测面向0.1 mHz～1 Hz频段引力波信号, 在此频段内包含了更大特征质量和尺度的波源信息。目前的空间引力波探测计划都采用大型激光干涉仪装置进行探测, 其中激光光源系统以及无拖曳系统等关键部件的灵敏度都依赖于极低的电学噪声, 然而极低电学噪声受限于航天器上电压基准源的噪声水平, 这就需要研发低噪声电压基准源并对激光强度噪声及关键电学器件的电学噪声进行低频段噪声表征。本文通过选定低噪声基准芯片, 并设计相关外围电路、仿真模拟、电磁屏蔽、采用低温漂系数元件、低噪声供电以及主动温控等技术手段实现了低噪声基准电压源的研制。由于0.1 mHz～1 Hz频段无法用现有商用设备进行此全频段噪声分析, 我们利用高精度数字万用表进行基准源输出电压的测试与采集, 并采用快速傅里叶变换法以及对数轴功率谱密度法将采集的数据进行计算处理, 得到所研发电压基准在0.01 mHz～1 Hz频段的电压噪声谱密度。实验结果表明电压噪声谱密度在0.01 mHz时达到1.85×10-3 V/Hz1/2, 在0.1 mHz～1 Hz的频率范围内在4.89×10-4 V/Hz1/2以下。此低噪声电压基准源的研发及其噪声评估为空间引力波探测中激光强度噪声抑制等方面提供关键器件支撑。

功率谱密度 (PSD)预测是频谱管理中的重要环节。由于功率谱密度具有高度的复杂性、非线性和不确定性, 单一的预测模型很难确保预测的准确性和效率。为克服单一预测方法的不足, 提出一种混合的机器学习模型, 将自组织映射 (SOM)网络与回归树 (RT)相结合, 以预测信号的功率谱密度。使用自组织映射网络将具有相似手工特征的原始样本集聚类成簇; 将每一个簇分别构建回归树来预测功率谱密度; 最后, 使用亚琛工业大学的数据进行实验。结果表明, 预测结果的均方根误差比现有方法提高 0.824, 证明混合模型具有较高的预测精确度和较好的泛化能力。

为阻止设备克隆、重放攻击和用户身份假冒等问题的发生, 准确识别和认证物联对象, 提出一种基于功率谱密度指纹特征与智能分类器的通信辐射源个体识别方法。利用接收机采集 I路射频基带信号; 通过方差轨迹检测截取稳态信号片段, 并对稳态信号片段进行数据标准化处理; 计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量, 将所述特征向量作为发射机的射频指纹; 最后利用智能分类器识别所述射频指纹, 完成通信辐射源个体识别。通过对同厂家、同型号、同批次的 8个无线数传电台 E90-DTU设备和 100个 WiFi网卡设备的实验测试表明, 本文所提方法在视距(LOS)场景、视距场景与非视距(NOS)场景的混合场景、低信噪比场景、大数量物联设备场景都具有良好的识别准确率。