Investigation on nonradiative decay of the (Er3+I13/2)-I-4 -> I-4(15/2) transition in different tellurite glass matrix

Three kinds of Er3+-doped tellurite glasses with different hydroxyl groups are prepared by the conventional melt-quenching method. Infrared spectra are measured to estimate the exact content of OH- groups in samples. The maximum phonon energy in glasses are obtained by measuring the Raman scattering spectra. The strength parameters Omega(t) (t = 2, 4, 6) for all the samples are calculated and compared. The nonradiative decay rate of the Er3+ I-4(13/2) -> I-4(15/2) transition are calculated for the glass samples with different phonon energy and OH- group contents. Finally, the effect of OH- groups on fluorescence decay rate of Er3+ is analysed, the constant KOH-Er Of TWN, TZPL and TZL glasses are calculated to be 9.2 x 10(-19) cm(4)s(-1), 5.9 x 10(-19) cm(4)s(-1), and 3.5 x 10(-19) cm(4)s(-1), respectively.

Decomposição aleatória de matrizes aplicada ao reconhecimento de faces

Métodos estocásticos oferecem uma poderosa ferramenta para a execução da compressão de dados e decomposições de matrizes. O método estocástico para decomposição de matrizes estudado utiliza amostragem aleatória para identificar um subespaço que captura a imagem de uma matriz de forma aproximada, preservando uma parte de sua informação essencial. Estas aproximações compactam a informação possibilitando a resolução de problemas práticos de maneira eficiente. Nesta dissertação é calculada uma decomposição em valores singulares (SVD) utilizando técnicas estocásticas. Esta SVD aleatória é empregada na tarefa de reconhecimento de faces. O reconhecimento de faces funciona de forma a projetar imagens de faces sobre um espaço de características que melhor descreve a variação de imagens de faces conhecidas. Estas características significantes são conhecidas como autofaces, pois são os autovetores de uma matriz associada a um conjunto de faces. Essa projeção caracteriza aproximadamente a face de um indivíduo por uma soma ponderada das autofaces características. Assim, a tarefa de reconhecimento de uma nova face consiste em comparar os pesos de sua projeção com os pesos da projeção de indivíduos conhecidos. A análise de componentes principais (PCA) é um método muito utilizado para determinar as autofaces características, este fornece as autofaces que representam maior variabilidade de informação de um conjunto de faces. Nesta dissertação verificamos a qualidade das autofaces obtidas pela SVD aleatória (que são os vetores singulares à esquerda de uma matriz contendo as imagens) por comparação de similaridade com as autofaces obtidas pela PCA. Para tanto, foram utilizados dois bancos de imagens, com tamanhos diferentes, e aplicadas diversas amostragens aleatórias sobre a matriz contendo as imagens.