-
题名Al掺杂ZnO纳米线阵列紫外光探测器特性
被引量：1
- 1
-
-
作者
袁兆林
许庆鹏
谢志文
何剑锋
游胜玉
汪雪元
-
机构
东华理工大学江西省网络空间安全智能感知重点实验室
东华理工大学软件学院
东华理工大学信息工程学院
-
出处
《光子学报》
EI
CAS
CSCD
北大核心
2024年第7期116-124,共9页
-
基金
国家自然科学基金(No.11865002)
江西省自然科学基金(No.20212BAB201003)
+2 种基金
江西省研究生创新基金项目(No.YC2023-S591)
东华理工大学博士科研启动基金(No.DHBK2019214)
江西省网络空间安全智能感知重点实验室开放基金(No.JKLCIP202208)。
-
文摘
采用简便水热法,在具有叉指图案的氟掺杂氧化锡导电玻璃基底上,生长出几种Al掺杂浓度ZnO纳米线阵列,Al/Zn原子比分别为0%(未掺杂)、0.5%、1%、2%和4%。实验结果显示:所有样品均为六方纤锌矿结构,Al掺杂ZnO纳米线沿近似垂直基底表面方向生长,形成良好取向阵列。并且用这些Al掺杂ZnO纳米线阵列作为光敏层,制备了五种紫外光探测器,系统研究了器件性能。经分析,所有器件对365 nm紫外光表现出良好响应。1%Al掺杂ZnO纳米线阵列紫外光探测器具有最佳性能,在365 nm波长处,该探测器响应度、比探测率、灵敏度、外量子效率、响应时间和衰减时间分别为6180 mA/W、1.51×10^(12)Jones、83.2、6090%、4.12 s和14.45 s。该研究证实在ZnO纳米线阵列中进行适量Al掺杂,可有效提高其紫外光探测器性能。
-
关键词
紫外光探测器
氧化锌
AL掺杂
掺杂浓度
水热法
光响应
-
Keywords
Ultraviolet photodetector
ZnO
Al doping
Doping concentration
Hydrothermal method
Photoresponse
-
分类号
TN361
[电子电信—物理电子学]
-
-
题名基于CNN-BLSTM-XGB的入侵检测
被引量：3
- 2
-
-
作者
徐东方
徐洪珍
邓德军
-
机构
东华理工大学信息工程学院
东华理工大学软件学院
东华理工大学江西省网络空间安全智能感知重点实验室
-
出处
《计算机工程与设计》
北大核心
2024年第3期676-683,共8页
-
基金
国家自然科学基金项目(62066003)
江西省教育厅科技计划基金项目(GJJ160554)
+2 种基金
江西省放射性地学大数据技术工程实验室开放基金项目(JELRGBDT201802)
江西省抚州市人才计划基金项目(2021ED008)
江西省网络空间安全智能感知重点实验室开放基金项目(JKLCIP202202)。
-
文摘
针对当前网络入侵检测方法存在特征信息提取不全面,多分类检测准确率偏低的问题,提出一种基于CNN-BLSTM-XGB的混合网络入侵检测方法。建立基于卷积神经网络(CNN)与双向长短期记忆网络(BLSTM)的网络结构CNN-BLSTM,用于提取网络入侵数据的空间与时间特征;使用Keras序贯模型中的Concatenate层对这两种特征进行融合;用极端梯度提升(XGBoost)取代传统的完全连接层,获取从输入层到融合层的特征信息进行分类。在NSL-KDD和CICIDS2017数据集上分别进行的实验结果表明,该方法可以分别达到99.72%、99.87%的多分类检测准确率,与现有的主流方法比较,具有更高的检测准确率。
-
关键词
入侵检测
时空特征
特征提取
特征融合
卷积神经网络
双向长短期记忆网络
极端梯度提升
-
Keywords
intrusion detection
spatial-temporal features
feature extraction
feature fusion
convolution neural network
bi-directional long short-term memory network
extreme gradient boosting
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
-
