一种孔径和频率二维稀疏的步进频SAR成像方法

 步进频率信号(SFWs)在不增加雷达系统瞬时带宽的情况下能够获得高的距离向分辨率的同时,也存在着抗干扰能力较差及其等效重复频率较低的问题,并且在方位向积累时间内由于雷达载机工作状态的变化,会导致方位向的数据录取不完整。针对上述问题,提出一种孔径和频率二维稀疏的步进频合成孔径雷达(SAR)成像方法。首先,分析了稀疏步进频率信号(SSFWs)的SAR成像模型,然后基于压缩感知理论完成距离向成像处理。其次,针对稀疏孔径的回波数据,通过构造成像算子和压缩感知重建模型的方法实现其距离徙动校正和方位压缩处理,进而获得二维成像结果。相比于传统的步进频率信号SAR成像,利用所提方法能够在少量的频率资源和雷达回波数据情况下实现准确的SAR成像。最后,通过对仿真和实测的步进频率雷达数据进行成像处理,验证了所提方法的有效性和可行性。     

基于PLIF技术的航空煤油横向射流穿透深度研究

为了研究动量比、韦伯数对射流穿透深度的影响,利用激光诱导荧光(PLIF)技术对航空煤油的穿透特性进行了试验。液态航空煤油通过直径为0.5mm的直射式喷嘴喷射入横向气流,Nd:YAG激光器产生266nm激光用于激发煤油诱导荧光。试验空气压力范围为0.3~0.6MPa,温度358K,动量比范围为10~40,韦伯数范围为170~340。试验结果表明:不同压力下,穿透深度随动量比增加而增加;在本文的工况范围下,韦伯数对射流穿透深度无显著影响。通过对试验数据的分析处理,获得了射流穿透深度关于动量比、韦伯数和轴向距离的经验关系式。     

TC4钛合金材料采用金刚石砂轮磨削时的工艺参数优化

钛合金材料在航空器和发动机中的应用极为广泛,涡扇发动机中低压压气机静子叶片基本由钛合金材料制成,由于钛合金的磨削性能较差,对选用金刚石砂轮进行钛合金材料磨削时的主要工艺影响因素（如进给速度、磨抛深度等）进行了试验分析,优选出更适用于金刚石砂轮磨削钛合金的工艺参数,该参数不仅能够用于自研的双面仿形抛修设备,还可以对其他型号磨床磨削钛合金材料时的工艺参数选择提供指导。     

协同作战能力多平台网络

据英国《简氏防务周刊》2005年1月25日报道,法国正在研发一种多平台态势感知演示验证系统(TSMPF),该传感器数据融合网络与美海军的协同作战能力(CEC)类似,并将在2006年下半年开始进行技术演示系统的现场测试。法国对多传感器跟踪技术已进行了相关研究,将雷达和红外数据融合为单     

从无到有的世界

生于广博浩渺的宇宙中,终日对着天宇的我们无时无刻不在为着它的神奇瑰丽而迷惑.对于宇宙的思考是我们人类永不止息的追求.我们的世界起源于"无",而且终将归并于"无"."无"对于我们来说极其特殊,它既不能被我们感知,也不能被我们以科学方法测量.这种"不能"并不是一个技术水平或方法的问题,而是因为本质上我们的世界与"无"是互斥的.     

材料特性对热障涂层合理压入深度的影响

基于有限元计算方法和量纲分析原理提出了热障涂层合理压入深度的确定方法,并研究了涂层及基体材料特性对合理压入深度的影响.首先,根据量纲分析原理提出了合理压入深度的无量纲表达式;其次基于锥形压头识别理想弹塑性材料的材料特性的方法,提出合理压入深度的确定方法;最后研究了各无量纲因素对合理压入深度的影响.研究发现基体的弹性模量对合理压入深度的影响最大,粘结层材料特性的影响较大,热氧化生成层的材料特性及基体的屈服极限对合理压入深度的影响不大.     

基于深度增强学习的卫星姿态控制方法

针对卫星在执行丢弃载荷或捕获目标等复杂任务时遭遇的姿态突然发生变化的问题,采用深度增强学习方法对卫星姿态进行控制,使卫星恢复稳定状态。具体来说,首先搭建飞行器的姿态动力学环境,并将连续的控制力矩输出离散化,然后采用Deep Q Network算法进行卫星自主姿态控制训练,以姿态角速度趋于稳定作为奖励获得离散行为的最优智能输出。仿真试验表明,面向空间卫星姿态控制的深度增强学习算法能够在卫星受到突发随机扰动后稳定卫星姿态,并能有效解决传统PD控制器依赖被控对象质量参数的难题。所提出的方法采用自主学习的方式对卫星姿态进行控制,具有很强的智能性和一定的普适性,在未来卫星执行复杂空间任务中的智能控制方面有着很好的应用潜力。     

LPV模型的动态压缩测量辨识算法

在解决线性参变（LPV）模型的辨识问题上,最小二乘算法以结构简单、计算复杂度低等优点被大量使用。但最小二乘算法辨识结果受制于计算精度和模型近似精度,而这两者在同一个系统中是互斥的。因此,该算法的辨识结果与真值总是存在一定的误差。另外,在高阶LPV模型辨识或采样成本高的情况下,一般模型参数要多于辨识数据,而此时最小二乘算法很难得到稳定的辨识结果。本文提出的动态压缩测量辨识（DCMI）算法从两个方面提高在该情况下的系统辨识精度。其一,利用“匀速变化”及“非匀速变化”模型表示参变函数,以提高模型近似精度。其二,利用压缩感知理论的欠采样能力,在同等数据量的情况下提高参数的计算精度、扩大模型的计算规模。仿真结果表明,基于“匀速变化”模型DCMI算法可以准确地辨识出LPV函数,而且该算法在辨识数据不足的情况下仍然能够获得稳定的辨识结果。      

基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。      

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数