安卓imtoken钱包下载|sesem

CRAN - Package sesem

CRAN - Package sesem

sesem: Spatially Explicit Structural Equation Modeling

Structural equation modeling is a powerful statistical approach for the testing of networks of direct and indirect theoretical causal relationships in complex data sets with inter-correlated dependent and independent variables. Here we implement a simple method for spatially explicit structural equation modeling based on the analysis of variance co-variance matrices calculated across a range of lag distances. This method provides readily interpreted plots of the change in path coefficients across scale.

Version:

1.0.2

Depends:

R (≥ 1.8.0)

Imports:

lavaan, mgcv, gplots

Published:

2016-06-10

Author:

Eric Lamb [aut, cre],

Kerrie Mengersen [aut],

Katherine Stewart [aut],

Udayanga Attanayake [aut],

Steven Siciliano [aut]

Maintainer:

Eric Lamb

License:

GPL-2 | GPL-3 [expanded from: GPL (≥ 2)]

URL:

http://www.r-project.org,

http://homepage.usask.ca/~egl388/index.html

NeedsCompilation:

no

Citation:

sesem citation info

Materials:

NEWS

CRAN checks:

sesem results

Documentation:

Reference manual:

sesem.pdf

Downloads:

Package source:

sesem_1.0.2.tar.gz

Windows binaries:

r-devel: sesem_1.0.2.zip, r-release: sesem_1.0.2.zip, r-oldrel: sesem_1.0.2.zip

macOS binaries:

r-release (arm64): sesem_1.0.2.tgz, r-oldrel (arm64): sesem_1.0.2.tgz, r-release (x86_64): sesem_1.0.2.tgz

Old sources:

sesem archive

Linking:

Please use the canonical form

https://CRAN.R-project.org/package=sesem

to link to this page.

半导体可饱和吸收镜(SESAM)工作原理-上海屹持光电技术有限公司

半导体可饱和吸收镜(SESAM)工作原理-上海屹持光电技术有限公司

选择语言：简体中文 | 繁體中文 | English

24小时客服热线

021-62209657

首页 关于我们 公司介绍 新闻资讯 公司新闻 行业新闻 公司产品 太赫兹设备 太赫兹器件 飞秒激光器 皮秒激光器 传统激光器 激光调制与测量 超快调制与测量 光谱影像 光纤传感 光学元器件 镀膜和微结构加工 X射线 半导体参数分析仪 技术中心 技术资料 常见问题 案例展示 太赫兹时域光谱系统 太赫兹成像 飞秒激光器 皮秒激光器 波前分析仪 合作伙伴 联系我们 留言反馈

技术中心   Support

技术资料 常见问题

最新资讯   New

Terasense太赫兹源限空芯光子晶体光纤限期大幅优惠JASPER X0—FLUE上海屹持光电技术有限公司将参屹持光电与FLUENCE公司瑞士Menhir PhotoTerasense推出100Fluence新型紧凑型全光

联系我们   Contact

客服电话：

021-62209657,021-54843093

销售项目组移动电话：

太赫兹：18817395337

超快激光：18616805565

激光测量与光谱：15618996225

传真：021-54843093

邮件：sales@eachwave.com

你的位置：首页 > 技术中心 > 技术资料 > 技术资料

半导体可饱和吸收镜(SESAM)工作原理

2016-05-17 13:44:44      点击：

1 ，使用SAM  的目的

       被动锁模技术由于便于组装， 操作简单等优点， 已被人们广泛的应用于各类激光腔中来产生超短脉冲串。被动锁模器件：可饱和吸收镜（SAM） ，可被安装在宽谱激光腔中进行模式锁定。通过可饱和吸收体的损耗机制，连续激光器中杂乱的多脉冲可以被调制成有规律的超短脉冲串。可饱和吸收体在强光下被漂白，可以使大部分腔内能量通过可饱和吸收体到达反射镜，并再次反射回激光腔中；在弱光下，表现为吸收未饱和的特性，吸收掉所有入射光，有效的把这部分弱光从激光腔中去除掉，表现了调 Q 锁模的抑制作用。而且由于吸收掉了脉冲前沿部分，脉冲宽度在反射过程中会逐渐变窄。

2，可饱和吸收镜SAM主要参数

Eachwave推出的SAM包含一个布拉格反射镜（Bragg-mirror）生长在基底上（如GaAs晶圆），然后可饱和吸收层做在布拉格反射镜上。尽管半导体可饱和吸收镜已经被广泛的用于各种激光腔中进行模式锁定，但是SAM的应用还是要根据具体情况被精确地设计，如不同的激光器具有不同损耗，增益谱，腔内功率等等，可饱和吸收体的参数都需要跟这些参数相匹配。对于一块SAM，其重要的参数如下：

          √    吸收率: A

          √    调制深度：△R

          √    弛豫时间：τ

          √    饱和通量：Fsat

          √    反射带宽以及吸收带宽

3，吸收率 A

可饱和吸收镜SAM属于非线性光学元件。所以其对光的吸收率A1和光能量F相关。如果脉冲宽度τp比吸收材料中载流子的弛豫时间τ短，那么光能量依赖的吸收率可表示如下：

A0          小信号的饱和吸收率

F(r)         高斯脉冲径向依赖的辐射通量

Fsat         吸收材料的饱和吸收通量

F0          脉冲能量平均值

r           光斑半径（距离光束轴的距离）

r0          高斯光束半径

高斯光束的有效吸收率A源自于平均后径向依赖的辐射通量F(r):

下图根据方程（1）、（2）给出了可饱和吸收材料的吸收特性。对于弱光而言F

小信号的吸收率A0正比于吸收层中电磁波电场强度的平方。所以SAM的饱和吸收可以通过设计得到调节。屹持光电典型的饱和吸收通量值Fsat=50uJ/cm2对于短脉冲,双光子ATPA吸收也会使饱和吸收体的吸收有所增加：

β            双光子吸收效率

I             脉冲强度

d             饱和吸收体层厚度

F             脉冲能量

Tp            脉冲宽度

4，调制深度△R

屹持光电推出的可饱和吸收镜（SAM）其反射比R取决于材料的吸收率A即R=1-A。调制深度△R小于小信号吸收率A0，这是由于非饱和损耗所造成的 Ans：△R=A0-Ans。引起非饱和损耗的主要原因有晶体缺陷，这些缺陷可以保证超快的载流子恢复速度。调制深度会随着载流子弛豫时间τ的增加而增加。

调制深度△R典型值

  快速饱和   τ~500 fs：△R~0.5 A0；Ans~0.5 A0

  慢速饱和   τ~ 30 ps：△R~0.8 A0；Ans~0.2 A0

脉冲通量依赖的SAM的反射率R(F)，可以通过有效吸收率来控制eq.(2)。对于短脉冲和高脉冲能量，双光子吸收减少了反射以及有效调制深度eq.(3)。所以Eachwave的SAM的反射率R可以如下表示：

计算出来的SAM反射率R可以表示为脉冲通量F的方程 eq. (4)，如下图所示，图中三条曲线分别表示不同的脉冲宽度：

5，弛豫时间

饱和吸收层包括一块直接带隙略低于光子能量的半导体材料。光照被吸收时，薄膜内产生电子-空穴对。载流子的弛豫时间会比脉冲宽度略长一些。这种情况下，脉冲后沿是不被吸收的，然而经过两相邻脉冲之间的一个周期时间后，饱和吸收体又会恢复到非饱和状态对下一个脉冲进行同样的调制。

由于直接带隙半导体中的自发辐射载流子弛豫时间大约为1ns，因此必须有预防措施来彻底的减小这个值。这就需要给饱和吸收层中引入晶格缺陷使载流子进行不辐射弛豫，Eachwave推出SESAM主要基于以下技术：

 —— 低温分子束外延技术（LT-MBE）

 —— 正离子注入技术

两种技术的关键参数都是生长温度。通常情况下，SAM的弛豫时间τ一般在500 fs-10

ps之间。

泵浦-探针法测量出来的弛豫时间τ如下图所示：

6，饱和通量Fsat

饱和通量依赖于半导体的材料参数以及SAM的光学设计。为了预防SAM在强光下不被损伤且功能不会减退，饱和通量一定要比较低才行。

为了得到一个小的饱和通量值，一般半导体吸收层的厚度在10nm左右。这种情况下，垂直于SAM吸收层会发生电子能量和动量的量子化现象，这也会造成它的态密度比常规紧凑半导体低的结果。所以SAM中的饱和吸收层可以看作是一个带隙比两边小的量子阱。如果SAM需要一个更大的吸收光通量，那么可以通过增加量子阱的数量达到此目的，而非用一块厚度大的单个吸收层。

SAM中布拉格反射镜前面的电场强度是一个周期性的函数，拥有节点和腹点。吸收层量子阱的位置一般处于腹点处从而可以获得一个低的饱和通量值。布拉格反射镜和半导体-空气界面的菲涅尔反射一起构成了一个类似于法布里-珀罗的谐振器，其中包含有量子阱。这两个反射层之间的半导体厚度决定了腔内会形成谐振或者反谐振。由于腔内场的增强，谐振情况下SAM的饱和通量比反谐振时要低。

7，吸收体温度

饱和吸收体将一部分入射光能量转化为热能。这部分热能在脉冲经过时快速将饱和吸收体内温度升高，然后热量经过基底传输到基底后面的散热器上。如GaAs基底，它具有非常良好的热导率，即使微不足道的热量也能很快散到空气里。

在脉冲激光作用下，饱和吸收体的温度会随着激光重复频率的改变而周期性的变化。不断的热能从吸收体流到散热器上形成一个固定的吸收体温度上升量△Tstat。在脉冲激光照射下，可饱和吸收体的热传输方程包含有一个时间依赖的动态部分△Tdyn 和一个静态部分△Tstat。比较重要的参数有脉冲宽度tp和饱和吸收体中的载流子弛豫时间τ。温度上升量△T可表示如下：

△T              温度上升量

A                吸收率

F                脉冲通量

λth             吸收材料热导系数 （55W/mK for GaAs）

a                吸收材料热扩散率 （3.1×10-5m2/s

for GaAs）

tp               光脉冲宽度

T                吸收体载流子弛豫时间

r                吸收体上的光斑半径

f                光脉冲重复频率

下面两张数据图分别表示：静态温度上升量△Tstat与光斑半径r之间的关系，以及动态温度上升量△Tdyn与吸收体中载流子弛豫时间的关系。根据eq. (5)，

固态典型参数吸收率 A=0.03，光纤中典型参数吸收率A=0.3。

下图为光照后时间依赖的吸收体温度变化曲线：

8，反射吸收带宽

8.1 时间带宽积（TBWP）

根据海森堡不确定原理，共轭变量脉宽△T和光子能量E=hv，脉冲的时间带宽积应该受不等式△t∙△v≥1/(2π)所限制。

  h=6.626∙10-34 Js    是普朗克常量

  v 为脉冲平均频率

  △v 为脉冲带宽

精确地计算显示，高斯脉冲的最小时间带宽积为△t∙△v=0.44(脉冲宽度(s)×脉冲带宽(Hz)≥0.44)。双曲正割Sech2脉冲的时间带宽积为△t∙△v=0.32。大多数人并不习惯用频率v而选择波长λ。根据关系c=λ∙v，那么频率间隔△v与波长间隔的关系为：

△v=-c∙△λ/λ2。C=2.988×108m/s，为真空中的光速。

最小谱宽△v（Hz）与脉冲宽度△t的关系

最小谱宽（波长λ(nm)）与脉冲宽度△t的关系

Pulse

duration

Δt

Gaussian bandwidth (nm)

Sech2 bandwidth (nm)

@ 800 nm

@ 1200 nm

@ 1600 nm

@ 2000 nm

@ 800 nm

@ 1200 nm

@ 1600 nm

@ 2000 nm

5 fs

188 nm

424 nm

752 nm

1180 nm

137 nm

308 nm

547 nm

858 nm

10 fs

94 nm

212 nm

377 nm

590 nm

68 nm

154 nm

274 nm

429 nm

20 fs

47 nm

106 nm

188 nm

295 nm

34 nm

77 nm

137 nm

214 nm

50 fs

19 nm

42 nm

75 nm

118 nm

13 nm

31 nm

55 nm

86 nm

100 fs

9.4 nm

21 nm

38 nm

59 nm

6.8 nm

15 nm

27 nm

43 nm

200 fs

4.7 nm

10.6 nm

18.8 nm

29.5 nm

3.4 nm

7.7 nm

13.7 nm

21.4 nm

500 fs

1.9 nm

4.2 nm

7.5 nm

11.8 nm

1.4 nm

3.1 nm

5.5 nm

8.6 nm

1 ps

0.94 nm

2.12 nm

3.77 nm

5.90 nm

0.69 nm

1.54 nm

2.74 nm

4.29 nm

2 ps

0.47 nm

1.06 nm

1.88 nm

2.95 nm

0.34 nm

0.77 nm

1.37 nm

2.14 nm

8.2反射带宽

SAM的反射带宽需要比脉冲激光的带宽宽。对于布拉格反射镜上的SAM，其反射带宽取决于布拉格薄膜堆中各层之间的折射率之比nH/nL。详情请参考布拉格反射镜……

传统的的半导体薄膜堆（AlAs/GaAs）中高反射区域的相对谱宽w=△λ/λ大约为0.1。因此中心波长为1000nm的AlAs/GaAs布拉格反射镜高反射区的带宽约为100nm。根据上面的图表，这种情况可以得到的最小脉宽为20fs。对于更短的脉冲需要其他反射镜，例如介质膜或金属的反射镜。

 

8.3 吸收带宽

理想的SAM对于脉冲光谱中的所有波长都有同样的饱和吸收常量。然而由于半导体材料对高于其带隙波长的电磁波的吸收是波长依赖的，因此随着波长变短，吸收会增强。在共振SAM中，这种吸收与波长的依赖关系会因为谐振腔内的驻波而改变，其在SAM的共振波长处一般会产生最大吸收。

更多可饱和吸收体产品

>> 半导体可饱和吸收镜 SESAM

>> 可饱和输出耦合器 SOC

>> 共振可饱和吸收镜 RSAM

>> 可饱和噪声抑制器 SANOS

>> 透射型可饱和吸收体 SA

上海屹持光电技术有限公司

上一篇：上海屹持光电与德国Batop合作推出自建THz-TDS方案 2016/5/20下一篇：上海屹持光电与德国Batop合作推出自建THz-TDS方案 2016/5/16

HOME | 关于我们 |人才招聘 |网站地图 | RSS订阅

Copyright 2019-2021 上海屹持光电技术有限公司 版权所有 All Rights Reserved

主营：飞秒激光器 皮秒激光器 太赫兹频域光谱仪 红外光谱仪 太赫兹成像系统 

电话：021-62209657/021-54843093，传真：021-54843093 邮件：sales@eachwave.com

沪ICP备16014690号-1

R: Spatial structural equation modeling (SESEM)

patial structural equation modeling (SESEM)

sesem-package {sesem}R Documentation

Spatial structural equation modeling (SESEM)

Description

Structural equation modeling (SEM) is a powerful statistical approach for the testing of networks of direct and indirect theoretical causal relationships in complex datasets with intercorrelated dependent and independent variables. Here we implement a simple method for spatially explicit SEM (SE-SEM) based on the analysis of variance covariance matrices calculated across a range of lag distances. This method provides readily interpretable plots of the change in path coefficients across scale.

Details

Package: sesem

Type: Package

Version: 1.0

Date: 2016-06-09

License: GPL (>= 2)

Package sesem allows spatially explicit structural equation modeling. It allows a structural equation model to be fit to a number of spatially explicit covariance matrices to explore how the strength of structural path coefficients changes with scale. In brief an SESEM analysis involves:

calculating pairwise differences among samples

selecting a series of lag distance bins

generating spatially explicit variance - covariance matrices for each lag distance bin

fitting a structural equation model to each of those bins

comparing and examining how the strength of path coefficients change with scale

Author(s)

Eric G. Lamb, Kerrie Mengersen, Katherine J. Stewart, Udayanga Attanayake, and Steven D. Siciliano

Maintainer: Eric Lamb

References

Lamb, E. G., K. Mengersen, K. J. Stewart, U. Attanayake, and S. D. Siciliano. 2014. Spatially explicit structural equation modeling. Ecology 95:2434-2442.

Rosseel, Y. 2012 lavaan: an R package for structural equation modeling. Journal of Statistical Software 48:1-36.

See Also

sem, lavaan

Examples

data=truelove

truelove_red<-truelove[c(1:60),c(1:7)]

distancematrix<-calc.dist(truelove_red)

Truelove_bins<-make.bin(distancematrix,type="ALL",p.dist=10)

binsize<-Truelove_bins[1][[1]] #truelove lowland bin sizes

binname<-Truelove_bins[2][[1]] #truelove lowland bin names

plotbin(distancematrix,binsize)

covariances<-make.covar(truelove_red,distancematrix,binsize,binname)

covariances

# reduced path model for the truelove dataset

spatial_model<-'

N_Fix ~ Bryoph + Lich + SoilCrust

SoilCrust ~ Bryoph + Lich

Lich ~ Bryoph + Moisture

Bryoph ~ Moisture

'

results<-runModels(spatial_model,covariances)

modelsummary(results)

plotmodelfit(results)

plotpath(results)

[Package sesem version 1.0.2 Index]

SeSAm_百度百科

m_百度百科 网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心收藏查看我的收藏0有用+10SeSAm播报讨论上传视频SESAM本词条缺少概述图，补充相关内容使词条更完整，还能快速升级，赶紧来编辑吧！SESAM是DNV于1969年发布的一款强度分析软件，是全世界海事业优选的结构设计分析工具。SESAM软件包括三部分：DeepC（深水浮式系统锚泊耦合分析）、GeniE（固定式海洋平台板、梁结构分析）、HydroD（船舶与移动式海洋平台的水动力分析）。外文名SESAM发布日期1969年类    型强度分析软件目录1发布2特色发布播报编辑早自20世纪50年代，DNV就已致力于研究更高效的船舶与海洋结构物的有限元分析课题，并于1969年正式发布了第一代突破性的强度分析软件Sesam。经过半个世纪的知识经验积累和潜心研发，DNV 软件作为DNV的商用软件部门，在船舶、海洋工程、石油化工领域的专业软件设计、研发、风险评估、分析、设备完整性管理、工程知识等方面处于全球领先地位。特色播报编辑2009年是Sesam软件问世的第40个年头，积累了40年全球应用的成功经验，如今的Sesam已经成为业界深具口碑的强度分析软件；Sesam可以提供贯穿海洋结构物整个生命周期的管理，有了它工程师们可以进行高效的初始设计，结构的重新评估，改建和维修，运营阶段的分析计算，应急响应直至最后的拆卸与报废。新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号 京公网安备110000020000

sesem package - RDocumentation

m package - RDocumentationRDocumentationMoonLearn RSearch all packages and functionssesem (version 1.0.1)Spatially explicit structural equation modelingDescriptionStructural equation modeling (SEM) is a powerful statistical

approach for the testing of networks of direct and indirect theoretical

causal relationships in complex datasets with intercorrelated dependent and

independent variables. Here we implement a simple method for spatially

explicit SEM (SE-SEM) based on the analysis of variance covariance matrices

calculated across a range of lag distances. This method provides readily

interpretable plots of the change in path coefficients across scale.Copy LinkCopyLink to current versionVersionVersion1.0.1Down ChevronInstallinstall.packages('sesem')Monthly Downloads373Version1.0.1LicenseGPL (>= 2)Homepagehttp://www.r-project.orgMaintainerEric LambLast PublishedMarch 4th, 2014Functions in sesem (1.0.1)Search functionsplotmodelfitFunction to plot model fit indices for spatial SEM analysestrueloveTruelove lowland transect datasetplotpathFunction to plot spatial SEM results for individual pathsrunModelsRun a spatial SEM analysissesem-packageSpatial structural equation modeling (SESEM)plotbinFunction to plot the distribution of lag distance bin sizesplantcompPlant Competition datasettruelove_covarTruelove lowland example covariancesbin.resultsExtract results for a particular binmake.binFunction to make lag distance binstruelove_resultsTruelove lowland example sesem outputalexfiordAlexandra Fiord transect datasetgam.pathPrints and displays spatial sem results using gam modelsavg.modindicesFunction to display averaged modification indices for a spatial SEMcalc.distCalculate intersample distances for a set of X-Y coordinatesbin.rsquareExtract r-square values for dependant variables a spatial SEM for a particular lag distance binmake.covarFunction to calculate covariance matrices for a set of lag distance binsmodelsummaryFunction to extract and display basic summary information for a spatial SEM analysisPowered by DataC

R: Run a spatial SEM analysis

un a spatial SEM analysis

runModels {sesem}R Documentation

Run a spatial SEM analysis

Description

Given a path model (spatial_model) specified using lavaan syntax, and a list object containing covariance matrices generated by make.covar, runs an sem model using function sem from the lavaan package for each lag distance bin.

Usage

runModels(spatial_model,covdata)

Arguments

spatial_model

a path model specified using lavaan syntax. See the lavaan help pages for details.

covdata

a list object containing covariance matrices and other descriptors as produced by make.covar

Details

Given a path model (spatial_model) specified using lavaan syntax, and a list object containing covariance matrices generated by make.covar, runs an sem model using function sem from the lavaan package for each lag distance bin. Produces a list object containing the model results.

Value

1

a table of model fit estimates for each model. See the lavaan documentation for an explanation of each value.

2

table containing a vector of parameter numbers and a character vector containing the names of the paths included in each model.

3

a table of unstandardized path coefficient estimates for each path in each model

4

standard error of unstandardized path coefficient estimates for each path in each model

5

p-values for each unstandardized path coefficient estimate for each path in each model

6

standardized parameter estimates for each path in each model

7

character vector containing list of names of dependent variables within the models

8

r-square values for each dependent variable in each model

9

names of each path for which there is a modification index value

10

modification index values for each potential path addition for each model

11

a copy of the bin.summary table in the input covdata object

Note

Should model convergence fail for certain lag bins, those bins will be skipped and no results written.

Author(s)

Eric Lamb

References

Lamb, E. G., K. Mengersen, K. J. Stewart, U. Attanayake, and S. D. Siciliano. 2014. Spatially explicit structural equation modeling. Ecology 95:2434-2442.

Rosseel, Y. 2012 lavaan: an R package for structural equation modeling. Journal of Statistical Software 48:1-36.

See Also

sem, make.covar, modelsummary, plotmodelfit, plotpath

Examples

data=truelove

truelove_red<-truelove[c(1:60),c(1:7)]

distancematrix<-calc.dist(truelove_red)

Truelove_bins<-make.bin(distancematrix,type="ALL",p.dist=10)

binsize<-Truelove_bins[1][[1]] #truelove lowland bin sizes

binname<-Truelove_bins[2][[1]] #truelove lowland bin names

plotbin(distancematrix,binsize)

covariances<-make.covar(truelove_red,distancematrix,binsize,binname)

covariances

# reduced path model for the truelove dataset

spatial_model<-'

N_Fix ~ Bryoph + Lich + SoilCrust

SoilCrust ~ Bryoph + Lich

Lich ~ Bryoph + Moisture

Bryoph ~ Moisture

'

results<-runModels(spatial_model,covariances)

plotmodelfit(results,rmsea_err=FALSE)

[Package sesem version 1.0.2 Index]

半导体可饱和吸收反射镜(SESAM) - 筱晓光子产品介绍⑭ - 知乎

半导体可饱和吸收反射镜(SESAM) - 筱晓光子产品介绍⑭ - 知乎切换模式写文章登录/注册半导体可饱和吸收反射镜(SESAM) - 筱晓光子产品介绍⑭筱晓(上海)光子技术有限公司一、超快脉冲光纤激光器的应用及特点超快脉冲光纤激光器最直接的应用就是作为超快光源，形成多种时间分辨光谱技术和泵浦/探测技术，作为飞秒固体激光放大器的种子光源，可用于光纤型光参量振荡器与放大器系统，并可使用周期性极化铌酸锂(ppln)进行高效倍频或频率转换。人们在研究光纤激光器的同时，也在不断研究皮秒量级及更窄的超短脉冲激光器，超短脉冲光纤激光器由于具有宽的频谱带宽和很高的峰值功率，在光纤通信、激光精细加工、超快生物学、超快光学、超快光谱学等领域均有重要应用特别是在研究ICF快点火机制、等离子体诊断以及激光与等离子体相互作用等，都需要脉宽极窄、峰值功率极高的超短激光脉冲。因此，超短脉冲光纤激光器作为一种特殊的激光器，具有非常重要的研究价值和广泛的应用领域。由块状工作物质及各种光学元件组成的传统固体激光器存在体积大、质量大、结构松、可靠性差等缺点。而光纤激光器有以下特点：1、增益介质长，能方便地延长增益长度使抽运光充分吸收，光-光转换效率高；2、光纤激光器表面积/体积比大，其工作物质的热负荷相当小，光纤中的场主要约束在纤芯内，使纤芯中的场强很大，加之光纤的低损耗又使这种高光强可以保持很长距离，能产生甚高亮度和甚高峰值功率；3、易实现单模、单频运转和超短脉冲；4、光纤激光器体积小且结构简单，工作物质为柔性介质，使用方便；5、激光器可在很宽光谱范围内(455~3500nm)设计与运行，使光纤激光器可调。由于光纤激光器具有以上特点，因此采用光纤作为振荡器产生超短脉冲激光比传统固体激光放大器更具优势。二、基于SESAM被动锁模脉冲光纤激光器获得超短脉冲输出的主要途径有主动锁模和被动锁模。主动锁模光纤激光器虽然具有输出激光波长和重复频率可调谐的优点，但是其受到电器件响应频率的限制，输出激光的脉冲宽度只能达到ps量级，并且多数调制器的尺寸较大，对于光纤激光器来说引入了非光纤器件，祸合损耗很大，另外这种主动锁模的光纤激光器容易受到外界环境的影响，如温度变化、机械振动引起腔内偏振态变化等，从而使输出锁模脉冲不稳定。与主动锁模相比，被动锁模不需要其他任何有源器件，利用光纤中或者其他元件中的非线性效应等，可实现激光自启动锁模，获得比输入脉冲更短的脉冲输出。目前被动锁模光纤激光器主要利用可饱和吸收体、非线性光纤环形镜、非线性偏振效应来实现。可饱和吸收体是一种非线性介质，随着光场强度的变化，其对激光的吸收会有所改变，当光场较弱时，饱和吸收体对光的吸收很强，随着光强的增大，吸收作用减弱，达到一定值时，吸收饱和，光全部透过。因此自发辐射的光信号在通过可饱和吸收体时，弱信号由于吸收作用而受到阻挡，不能通过，强尖峰信号的边沿由于损耗而不断削弱，因此光脉冲在通过饱和吸收体的过程中被窄化了，从而实现激光脉冲的自启动。半导体材料具有独特能级特性，在上个世纪90年代初发展出了半导体可饱和吸收体材料（SESA）。SESA的响应本质上包含带内和带间两个过程。电子在带内的快速热运动有助于稳定超短脉冲，而缓慢的带间复合则有助于激光器启动锁模。利用成熟的半导体工程技术，通过调整两种运动的相对程度和带隙，可以使其具有极宽范围的吸收波长。半导体可饱和吸收反射镜（SESAM）的基本结构是把反射镜与可饱和吸收体结合在一起，即半导体可饱和吸收体用外延法直接生长在半导体布拉格反射镜上，其调制深度、饱和通量和非饱和损耗均可以通过结构设计加以调控。因此，SESAM是目前应用最为广泛的锁模器件。下图是基于SESAM的脉冲光纤激光器光路图，此结构简单，无需种子源，易于实现。基于SESAM的脉冲光纤激光器三、半导体可饱和吸收镜SESAM的微观特性1、能带间隙即禁带宽度。它决定半导体可饱和吸收体的吸收波长，吸收系数一般在104/cm左右。以III-V族化合物半导体为例,吸收带一般在可见光和近红外波段。为了适应各种吸收波长的需要，常常要用三元化合物半导体,如砷化镓铝(AlGaAs)，砷化铟镓(InGaAs)，砷化铟铝(InAlAs)等。2、晶格常数。半导体可饱和吸收体一般是用外延法生长在半导体衬底上的，衬底的晶格常数与要生长的半导体化合物的晶格常数原则上应该相同，若不一致，则会在生长层上造成一定应变(strain)，可分为压缩型和扩张型。无论那种类型的应变都会影响禁带宽度，因而禁带宽度的改变不是任意的，要受衬底晶格常数的制约。3、量子阱。当吸收体薄到一定程度，并被夹在高禁带宽度的材料中间，就变成了所谓量子阱。在设计半导体可饱和吸收体时，根据吸收能量的大小，可以采用体吸收，也可以采用量子阱结构。对于利用克尔效应锁模的激光器，仅仅需要百之零点几至百分之几的吸收，所以可饱和吸收体的厚度只需要几个nm。4、时间特性。半导体可饱和吸收体之所以可以启动锁模，是因为它的高速时间特性。一般来说半导体的吸收有两个特征弛豫时间，一是带内子带之间的热化(intrabandthermalization)，二是带间跃迁(interbandtransition)。带内热化是被激发到导带的电子向子带跃迁的物理过程，这个时间很短，在100-200fs左右，而带间跃迁时间是电子从导带向价带的跃迁，相对较长，从几ps到几百ps。下图列举了用于1064nm光纤脉冲激光器的SESAM结构图，右侧是饱和吸收体结构。用于1064nm光纤脉冲激光器的SESAM设计结构图整个结构内部的光电场的分布可以为可饱和吸收体插入位置的选择提供参考依据，理论上可饱和吸收体应当位于入射光电场的振荡波峰位置，以有效的实现可饱和吸收。但是因为量子阱较多，因而只能保证一个在电场的峰值。SESAM电场强度分布四、筱晓光子SESAM的产品资料BATOPSESAM可饱和吸收镜
德国BATOP公司是一家专门生长半导体可饱和吸收体等半导体光电器件的公司，主要产品包括：
SAM半导体可饱和吸收镜 SAM-Saturable Absorber Mirror
 RSAM共振可饱和吸收镜 RSAM-Resonant SAM
SOC可饱和吸收耦合输出镜 SOC-Saturable Output Coupler
SANOS可饱和噪声去除腔 SANOS-Saturable Noise Suppressor
SA可饱和吸收体 SA-Saturable Absorber
PCA太赫兹光电导天线
其中SESAM，RSAM和SOC是用于稳定、自启动的DPSS被动锁模激光器极简单的锁模元件。型号描述：SAM-1064-1-X1064——中心波长为1064nm
1——饱和吸收率为1%X——封装代码X=0，无封装的裸片X=12.7g，粘在1/2英寸的铜柱上X=25.4g，粘在1英寸的铜柱上X=12.7S，焊在1/2英寸的铜柱上X=25.4S，焊在1英寸的铜柱上X=FC/PC，安装在1米长光纤一端，接头类型FC/PC或其他可选主要参数：发布于 2022-09-29 10:45半导体半导体产业半导体未来​赞同 4​​添加评论​分享​喜欢​收藏​申请

视觉大模型系列 | SEEM 解读 - 知乎

视觉大模型系列 | SEEM 解读 - 知乎切换模式写文章登录/注册视觉大模型系列 | SEEM 解读小姜可Title: Segment Everything Everywhere All at OncePaper: https://arxiv.org/pdf/2304.06718.pdfCode: https://github.com/UX-Decoder/Segment-Everything-Everywhere-All-At-Once图1.SEEM可以实现全景、实例、语义分割任务，即处理任何分割任务。支持：无提示、点、框、涂鸦、文本、参考图像、组合提示等实现交互式分割功能。1.摘要1.1 研究背景： 尽管对交互式人工智能系统的需求不断增长，但关于在视觉理解方面的人类-人工智能交互的研究却很少。 受启发于NLP的基于提示的大模型（Large Language Model），本文提出一个可提示的、可交互的视觉分割大模型SEEM。1.2 其有四个愿景：1.2.1 多功能性 通过引入灵活的提示引擎，包括点、框、涂鸦(scribbles)、文本和参考图像的相关区域，实现多功能性；如图1所示；1.2.2 可组合性 通过学习联合视觉-语义空间，为视觉和文本提示组合动态查询，实现组合性，如图1所示；1.2.3 可交互 通过结合可学习的记忆提示进行交互，实现通过掩模引导的交叉注意力保留历史对话信息；1.2.4 语义感知 通过使用文本编码器对文本查询和掩模标签进行编码，实现面向开放词汇分割的语义感知。 SEEM表现出强大的泛化能力，其能够学习在统一的表示空间中组合不同类型的提示以适应未见过的用户意图。SEEM可以使用轻量级提示解码器高效地处理多轮交互。2.介绍2.1 研究需求 与人类互动的能力取决于对于用户友好的界面，同时可以接受尽可能多类型的人类输入，并生成人类容易理解的响应。 我们的方法与图2中所示的SAM非常不同。例如，SAM只支持有限的交互类型，如点和框，并且不支持高级语义任务，因为它不输出语义标签。图2 SAM与SEEM比较 为了提高多功能性，我们编码点、掩码、文本、方框，甚至是另一个图像的参考区域，这些区域在相同的联合视觉-语义空间中形成提示。因此，我们的模型可以处理输入提示的任何组合，从而导致强大的组合性。为了实现交互性，我们进一步引入了内存提示来压缩之前的分割信息，然后与其他提示进行通信。对于语义感知，我们的模型为任何输出分割提供了一个开放集的语义。2.2. 模型简介 采用一个Transformer编解码器架构，和一个额外的文本编码器。 所有的查询（queries）都被作为提示（prompt）输入解码器，图像和文本编码器被用作提示编码器来对所有类型的查询进行编码。对于单提示：我们通过将图像编码器中相应的可视化特征汇集起来，将点、框、涂鸦编码和范例图像作为视觉提示，同时使用文本编码器将文本查询转换为文本提示，最后将5种提示映射到联合视觉语义空间内。 而对于组合提示来说：通过交叉注意实现不同提示之间的促进学习。未完待续。。。发布于 2023-07-31 17:58・IP 属地北京大模型语义分割多模态​赞同 1​​添加评论​分享​喜欢​收藏​申请

R: Function to plot spatial SEM results for individual paths

unction to plot spatial SEM results for individual paths

plotpath {sesem}R Documentation

Function to plot spatial SEM results for individual paths

Description

A function to plot unstandardized path coefficients across lag distances. The default is to plot all directed paths with standard error bars, and greyed bars to indicate nonsignificant paths (z>0.05). A range of options are available to change the paths plotted, to add trendlines, and to alter the look of the plots.

Usage

plotpath(spatial_model_results, path.type = "directed", selectpath = "none selected",

add.line = "none", add.error = T, pcut = 0.05, pch = 16,

lwd = 2, lty = 1,cex.main=1.2)

Arguments

spatial_model_results

a list object produced by function runModels

path.type

An option to select the paths to be plotted. "directed" = only directed paths plotted; "undirected" = only undirected correlations plotted; "both" = all paths plotted; "user" = allows user to specify particular paths and a particular order for plotting. Argument selectpath must also be provided with path.type="user"

selectpath

An option to select specific paths for plotting. Usage is as follows: selectpath==c(5,18,16,23,29) where values refer to path numbers. Path numbers can be obtained using spatial_model_results[[2]]

add.line

Options for plotting a fit line. "none" indicates no line; "step" plots straight line segments between points; "smooth" plots a smoothed curve fit using function lowess

add.error

Should standard error bars be added for each path coefficient

pcut

p-value cutoff above which points with non significant p-values are shaded grey. Set pcut=1 to have all points black.

pch

Selects plotting symbols

lwd

Sets trendline width

lty

Sets trendline format

cex.main

Sets plot title font

Author(s)

Eric Lamb

References

Lamb, E. G., K. Mengersen, K. J. Stewart, U. Attanayake, and S. D. Siciliano. 2014. Spatially explicit structural equation modeling. Ecology 95:2434-2442.

Rosseel, Y. 2012 lavaan: an R package for structural equation modeling. Journal of Statistical Software 48:1-36.

See Also

sem, make.covar, runModels, modelsummary, plotmodelfit, gam.path

Examples

#data=truelove

#distancematrix<-calc.dist(truelove)

#Truelove_bins<-make.bin(distancematrix,type="ALL",p.dist=20)

#binsize<-Truelove_bins[1][[1]] #truelove lowland bin sizes

#binname<-Truelove_bins[2][[1]] #truelove lowland bin names

#covariances<-make.covar(truelove,distancematrix,binsize,binname)

#covariances

# path model for the truelove dataset

#spatial_model<-'

# Gram ~ Moisture

# N_Fix ~ Bryoph + Lich + SoilCrust

# SoilCrust ~ Bryoph + Lich + Gram + Shrubs + Forbs

# Bryoph ~ Gram + Shrubs + Forbs + Moisture

# Lich ~ Moisture + Forbs + Gram + Shrubs + Bryoph

# Forbs ~ Moisture

# Gram ~~ Forbs

# Shrubs ~ Moisture

# Gram ~~ Shrubs

# Shrubs ~~ Forbs

# '

#

#results<-runModels(spatial_model,covariances)

#The above script produces the sesem object stored as truelove_results

data=truelove_results

plotpath(truelove_results)

truelove_results[[2]]# list of path names

plotpath(truelove_results,path.type="user",selectpath=c(5,7,8))

[Package sesem version 1.0.2 Index]

sesem: Spatially Explicit Structural Equation Modeling version 1.0.2 from CRAN

sesem: Spatially Explicit Structural Equation Modeling version 1.0.2 from CRAN

rdrr.io

Find an R package

R language docs

Run R in your browser

sesem

Spatially Explicit Structural Equation Modeling

Package index

Search the sesem package

Vignettes

Package overview

Functions 31

Source code 2

Man pages 18

alexfiord: Alexandra Fiord transect dataset

avg.modindices: Function to display averaged modification indices for a...

bin.results: Extract results for a particular bin

bin.rsquare: Extract r-square values for dependant variables a spatial SEM...

calc.dist: Calculate intersample distances for a set of X-Y coordinates

gam.path: Prints and displays spatial sem results using gam models

make.bin: Function to make lag distance bins

make.covar: Function to calculate covariance matrices for a set of lag...

modelsummary: Function to extract and display basic summary information for...

plantcomp: Plant Competition dataset

plotbin: Function to plot the distribution of lag distance bin sizes

plotmodelfit: Function to plot model fit indices for spatial SEM analyses

plotpath: Function to plot spatial SEM results for individual paths

runModels: Run a spatial SEM analysis

sesem-package: Spatial structural equation modeling (SESEM)

truelove: Truelove lowland transect dataset

truelove_covar: Truelove lowland example covariances

truelove_results: Truelove lowland example sesem output

Browse all...

Home

/

CRAN

/

sesem: Spatially Explicit Structural Equation Modeling

sesem: Spatially Explicit Structural Equation Modeling

Structural equation modeling is a powerful statistical approach for the testing of networks of direct and indirect theoretical causal relationships in complex data sets with inter-correlated dependent and independent variables. Here we implement a simple method for spatially explicit structural equation modeling based on the analysis of variance co-variance matrices calculated across a range of lag distances. This method provides readily interpreted plots of the change in path coefficients across scale.

Getting started

Package overview

Browse package contents

Vignettes

Man pages

API and functions

Files

Package details

AuthorEric Lamb [aut, cre],

Kerrie Mengersen [aut],

Katherine Stewart [aut],

Udayanga Attanayake [aut],

Steven Siciliano [aut]

MaintainerEric Lamb

LicenseGPL (>= 2)

Version1.0.2

URL

http://www.r-project.org 

http://homepage.usask.ca/~egl388/index.html 

Package repositoryView on CRAN

Installation

Install the latest version of this package by entering the following in R:

install.packages("sesem")

Try the sesem package in your browser

library(sesem)

help(sesem)

Run

Any scripts or data that you put into this service are public.

Nothing

sesem documentation built on May 1, 2019, 9:17 p.m.

R Package Documentation

rdrr.io home

R language documentation

Run R code online

Browse R Packages

CRAN packages

Bioconductor packages

R-Forge packages

GitHub packages

We want your feedback!

Note that we can't provide technical support on individual packages. You should contact the package authors for that.

Tweet to @rdrrHQ

GitHub issue tracker

ian@mutexlabs.com

Personal blog

 

What can we improve?

The page or its content looks wrong

I can't find what I'm looking for

I have a suggestion

Other

Extra info (optional)

Submit

Improve this page

Embedding an R snippet on your website

Add the following code to your website.

REMOVE THIS

Copy to clipboard

For more information on customizing the embed code, read Embedding Snippets.

Close