基于多标签协同学习的跨域行人重识别

跨域是行人重识别的重要应用场景，但是源域与目标域行人图像在光照条件、拍摄视角、成像背景与风格等方面的表观特征差异性是导致行人重识别模型泛化能力下降的关键因素。针对该问题，提出了基于多标签协同学习的跨域行人重识别方法。利用语义解析模型构造了基于语义对齐的多标签数据表示，以引导构建更关注行人前景区域的局部特征，达到语义对齐的目的，减少背景对跨域重识别的影响。基于行人图像全局特征和语义对齐后的行人局部特征，利用协同学习平均模型生成行人重识别模型的多标签表示，减少跨域场景下噪声硬标签的干扰。利用协同学习网络框架联合多标签的语义对齐模型，提高行人重识别模型的识别能力。实验结果表明:在Market-1501→ DukeMTMC-reID、DukeMTMC-reID→Market-1501、Market-1501→MSMT17、DukeMTMC-reID→MSMT17跨域行人重识别数据集上，与NRMT方法相比，平均精度均值分别提高了8.3%、8.9%、7.6%、7.9%，多标签协同学习方法具有显著的优越性。      

钛合金激光砂带加工的离焦控制与表面形貌

钛合金由于优越的热机械特性（耐高温和耐腐蚀）而被广泛应用于航空航天、核电领域，但独特的低导热系数、高强度和加工硬化性能导致其加工困难，表面完整性难以保持。激光辅助加工方法可以有效地提高难切削材料的切削性能，提高其表面完整性。提出一种激光加工与砂带磨削融合的特种加工方法（激光砂带加工方法）,建立了激光砂带加工的焦点控制运动模型，通过对焦点的控制实现利用激光加热特性和砂带磨削柔性特性快速去除材料，在自行搭建的激光砂带加工实验平台进行了加工实验，对不同离焦量下激光砂带加工的钛合金样品的表面三维形貌、微观结构进行了分析和比较。结果表明，激光砂带加工过程中离焦量的大小极大程度影响了激光的能量分布，导致激光砂带加工机理发生变化，离焦量的减少导致表面算术平均偏差S_a先从8.07μm减少到7.40μm然后增加到22.1μm,材料的气化和熔化去除现象更加明显。最后证明了激光砂带加工方法可以改善钛合金的加工性能，提升表面的耐磨损性能，具有广阔的应用前景。     

基于背景扣除的弱吸收信息精确提取方法研究

随着半导体器件的快速发展，基于分子振-转吸收光谱的研究日益深入，以可调谐半导体激光吸收光谱（Tunable Diode Laser Absorption Spectroscopy， TDLAS）为代表的检测技术取得巨大进步，应用领域进一步扩大，已有超过一千类仪器应用于连续监测以及过程控制，每年出售的气体检测仪器占据了红外气体传感检测仪器总数的5%以上，已实现不同领域组分浓度、温度、压力等参数的高精度探测。本文针对仪器开发领域目标吸收信息被完全覆盖的复杂应用环境，利用调制技术将吸收信息转移到高频部分，经过分通道背景扣除和谐波信号归一化处理提取吸收信息。以测量含硫天然气中微量H₂S为例，天然气中CH₄含量超过90%，目标组分H₂S的吸收信息被完全覆盖，将吸收信息转移到1 kHz频率，得到的谐波信号峰值与H₂S浓度呈正相关，线性参数达到0.999 9，实现了弱吸收信号的有效提取，从方法上验证了提取弱吸收信号的有效性，进一步扩展了光学气体传感的应用领域，为仪器开发提供技术保障。     

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

为辅助卫星在轨运行提供决策分析支持，结合卫星遥测参数的时间序列特性，利用一种ARIMA-SVR组合预测方法，通过对卫星遥测参数进行预测，判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合，并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础，分别利用组合模型对短期及中期星敏A温度进行预测，得出短期和中期均方根误差（RMSE）分别为0.768和0.968，相比单一ARIMA模型，短中期RMSE分别提高46.2%和16.4%。此外，对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中，组合模型比单一ARIMA模型的RMSE提高71.2%；中期预测中，组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明，ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。