排序方式: 共有84条查询结果,搜索用时 60 毫秒
81.
采用X射线衍射(X-ray diffraction,XRD)和拉曼光谱(Raman光谱)研究了3种自制PAN基高模量碳纤维(1#,2#,3#)的微观结构,并与M40J,M46J,M55J碳纤维进行了对比。结果表明:3种自制PAN基高模量碳纤维微晶尺寸的大小顺序为3#2#1#;1#到3#碳纤维表面和截面Raman光谱所获得的R值(D峰和G峰的积分强度比)均减小,石墨化程度升高,结晶性变好;1#碳纤维的结晶性介于M40J碳纤维和M46J碳纤维之间,2#和3#介于M46J碳纤维和M55J碳纤维之间;三者的石墨化程度略高于M46J碳纤维。 相似文献
82.
AnAnalysisoftheMinimalReportRateinADS一、简介自动相关监视(ADS)系统作为空中交通管制系统中的一种新的监视手段,受到各国普遍重视。自动相关监视(ADS)系统由空地数据链、导航数据源和先进的地面数据处理和显示系统组成。机载导航设备获得的信息佳少包括飞机识别和四维位置信息),以适当的位置报告率通过地空数据链传送到地面,在自动相关监视终端上形成空中交通信息,为管制员提供伪雷达显示。ADS系统可以为飞行在雷达覆盖区以外,特别是海洋和荒漠空域的飞机提供监视手段;能够及时检测到航路点引入差错和ATC环路差错;… 相似文献
83.
随着城市智能化的发展, 基于WiFi接收信号强度(RSS)的指纹室内定位服务受到社会的广泛关注。深度学习技术是利用RSS信号获得高室内定位性能的一种重要手段, 但其易遭受对抗样本攻击, 给定位系统带来严重安全隐患。为此, 提出了一种抵御对抗样本攻击的基于深度学习的RSS指纹室内定位方法(AdvILoc)。该方法基于图像识别领域对抗样本防御方法的研究和分析, 结合室内RSS指纹数据特征单一且高维的特点, 通过在RSS指纹室内定位深度学习模型中添加池化层、全连接层, 以及满足差分隐私的噪声层来抵御对抗样本攻击, 解决了基于深度学习的室内定位模型易过拟合且泛化能力不高的问题。通过添加Dropout层, 以及设计模型参数正则化方法, 提高模型抵御对抗样本攻击的鲁棒性。在2个真实RSS指纹室内定位数据集上的实验结果表明:与已有基于多层感知机(MLP)、卷积神经网络(CNN)的RSS指纹室内定位方法相比, 所提方法在保证时间开销和基本不影响定位模型性能的情况下, 提高了模型抵御对抗样本攻击的鲁棒性;在满足l 2范式规范的C&W攻击下, 随着攻击大小不断增大, 模型的定位准确率下降也更平稳。 相似文献
84.
“北航空事卫星一号”是广域航空器监视科学试验卫星。为了评估“北航空事卫星一号”监视载荷的性能,提出了ADS-B系统监视载荷的性能指标及统计方法,并利用“北航空事卫星一号”在轨观测数据,统计给出了“北航空事卫星一号”监视载荷的性能指标,包括监视覆盖半径、检测概率、识别概率、位置报告更新间隔及载荷消息速率。统计结果表明:“北航空事卫星一号”具备了在全球范围内对运输航空及通用航空器监视跟踪的能力;监视覆盖半径达1 710 km,检测概率大于35%,识别概率大于68%,位置报告更新间隔小于8 s。 相似文献