亚极光区极化流发生期间电离层离子下行的统计

亚极光区极化流是地球磁层–电离层耦合过程中最重要的现象之一,对电离层具有重要的调制作用.多数情况下,亚极光区极化流发生时会伴随局地离子上行流动,目前已对其有充分的研究,但对离子下行的研究却甚少.本文分析了DMSP卫星在2001-2015年间16个地磁暴中的观测数据,在483个亚极光区极化流事件中找到102个离子下行事件...     

航空用铸镁合金的发展

论述了国外铸造镁合金的发展趋势,其中重点讨论了包括无熔剂熔炼在内的新的铸造工艺以及非铬酸阳极化表面处理工艺。     

雷达目标识别技术现状

近年来,在雷达目标识别技术的几个主要研究方面已取得若干进展。在雷达面临隐身、干扰、低空突防和反辐射导弹的“四大威胁”情况下,研究解决目标识别问题有其急迫需要性。本文综合介绍国外近年来公开报导的一些研究成果。着重对分类识别技术的两个主要方面--极化识别,波形、频响和极点识别--的原理和方法加以阐述。最后作出评价和发展趋势的预测。     

极化滤波反射面隐身天线研究

介绍了一种极化滤波反射面天线,将天线工程中的周期结构反射面技术应用于解决飞行器天线的RCS问题,采用由金属丝栅网构成的周期结构作为天线主反射面,使其对正交极化的来波具有良好的透射性,从而降低了天线的RCS。给出了此天线辐射方向图和雷达散射截面(RCS)的实测结果,并与普通金属反射面天线的结果进行了比较。     

基于复数域Transformer-Unet混合模型的PolSAR地物分类

传统的基于深度学习的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）地物分类方法,通过堆叠卷积层提取图像局部特征,难以建立长距离依赖关系。基于自注意力机制的深度学习模型Transformer（变换）在图像分类任务中取得了成功,其自注意力机制能够捕获全局像素之间的关联性,同时PolSAR地物分类任务被证实：相比于实数域,其在复数域上表现出更好的分类效果。因此,本文将Transformer引入到复数域中,提出了一种基于复数域的Transformer和Unet（语义分割网络）混合模型（CT-Unet）用于PolSAR地物分类,将Transformer与CNN相结合,对复数类型的PolSAR数据进行特征提取,使用西安数据集和德国数据集进行PolSAR地物分类的实验结果表明：提出的模型能够有效提高PolSAR地物分类的准确性,Transformer有望在PolSAR地物分类任务中弥补卷积神经网络的不足。     

基于相干极化调制的小型化CPT原子钟进展

基于相干布局囚禁（Coherent Population Trapping）的被动型气泡原子钟,因其优良的短稳2E-13@1s和中期稳定度2.5E-15@10⁴s,而成为高性能原子钟的有力竞争者。本文基于一种新构型来探索实现高性能小型化CPT原子钟。我们通过3.4GHz微波直接调制分布式布拉格反射(DBR)激光器产生相干双色光,同时在微波和激光光束上分别施加同步的相位调制和偏振调制,实现相干极化调制,获得了较高对比度（14.7%）和较窄线宽（416Hz）的CPT共振信号。该方案采用直接调制技术使原子钟系统体积、复杂性和环境敏感性都得到减小,这使得高性能CPT原子钟的小型化成为可能。     

1420铝锂合金底遮板表面亮斑分析

为研究航天用1420铝锂合金底遮板表面产生异常亮斑的形成原因,对异常痕迹进行了组织分析、形貌观察、断口能谱分析、显微硬度测试、化学成分检测。结果表明:底遮板表面的异常痕迹贯穿壁厚,该区域组织成分异常,为光亮晶缺陷。结合底遮板所用原材料生产工艺分析,发现此光亮晶是1420铝锂合金铸锭在熔铸过程中形成的,属冶金类缺陷,在磷酸阳极化过程中,由于缺陷处膜层质量较差形成了宏观显现的亮斑。     

星载合成孔径雷达遥感技术进展及发展趋势

从品质因子、极化方式、定量化程度、信息获取维度等方面,对现有星载SAR技术发展阶段进行划分,给出了不同发展阶段星载SAR的特征和典型工作模式,并对新一代星载SAR技术发展趋势进行了分析。最后,简要介绍高分三号(GF-3)卫星的基本特性,并分析高分三号卫星所处的发展阶段和历史地位。     

基于时变散射特征与CNN的双极化SAR作物分类

作物类型分类是极化合成孔径雷达(PolSAR)图像中最重要的应用之一。然而，由于成本和系统限制，越来越多的双极化SAR系统已经投入使用。由于双极化模式的限制，双极化SAR数据集存在严重的贴现特性，使得双极化SAR图像难以获得令人满意的分类精度，因此有必要提取更适合于双极化SAR数据集的散射特征。基于H/α分解的基本理论，引入了一个新的参数来测量农作物的时变散射特性，并针对双极化SAR图像提出了时变散射特征驱动的卷积神经网络(CNN)。实验结果表明:提出的CNN分类方法达到了最高的分类精度。与不同的特征组合输入相比，提出的新参数能稳定地提高分类器的分类性能，H、α、θ和强度特征的组合也能达到最佳的分类性能。