机载阵列雷达抑制运动杂波的学习算法

一种称为自适应空时处理器(STP)的线性滤波器是一种相对比较新的方法，它使机载阵列天线雷达目标检测概率达到最大。理论上，全自适应STP可以实时获得最优解(一种维恩滤波器)。但是，实际上全自适应STP也存在一些问题。首先，线性滤波器的加权数可能非常大。其次，单一加权矢量的计算复杂度大约为O(MN)^3。再次，STP为线性滤波器但却工作在非线性不稳定的环境中。这些问题导致采用空时处理器传统技术的实时、最佳处理是现行计算技术内所不及的。为使运动杂波对目标检测的影响最小，本文探讨了人工神经网络和几种学习算法的可应用性。人工神经网络是一种自适应、并行、分布式处理系统，可以实时完成复杂计算。学习算法的机理是为了存储新的信息或变更信息，人工神经网络中的长期存储器要不断更新而又不被破坏。由于学习算法既能在系统的使用期内保留信息又能变更信息，所以对雷达系统的计算要求降到了最低，同时还能适应环境的变化。     

《航空发动机》征稿简则

1本刊简介《航空发动机》是由中国航空发动机集团有限公司主管、沈阳发动机研究所主办的科技期刊,定位为行业性、专业化和技术类期刊。办刊宗旨是以及时报道航空发动机与燃气轮机设计、试验、材料、制造、管理等方面的新技术和新成果为重点,宣传科技方针,推广科研成果,开展技术交流,传播科技信息,为航空发动机事业发展和航空工业振兴服务。     

茶气四象 当珠宝遇上茶

中国何时开始有茶,人人言殊,但中国是茶之源,无可争议。安敏觉得我泱泱大国作为茶文化的鼻祖,传播之事却还没有徒子徒孙们做得细致,这样不太好。安敏说茶是器物,通过茶艺这样的形式表现茶文化的精神;茶也是载体,借此传播各种文化;茶还是媒介,能让品者体味个中人生滋味。听安敏道茶,脑中突然就跳出苏轼说过的那句"从来佳茗似佳人"(《次韵曹辅壑源试焙新茶》),表达的多到位。     

LD端泵Nd：YVO4固体激光器双折射现象研究

通过对LD端泵Nd：YVO4固体激光器输出特性的研究，并运用传播圆和变换圆理论的分析，得出了晶体双折射是影响激光器输出特性重要因素，并与实验相吻合。     

防止传染病经航空运输传播的措施与法律规章

2003年，非典型性肺炎（SARS）疫情影响全球29个国家和地区，禽流感疫情也波及30多个国家。今年以来，甲型H1N1流感首次在墨西哥出现并迅速传播（染）至全球十几个国家，对航空运输特别是国际航空运输造成了负面影响。据国际航空运输协会统计的数据，由于受全球经济危机冲击以及甲型H1N1流感的影响，2009年3月国际航空运输的载运量比2008年同期下降了11％。     

论网络传播中地方高校形象的构建

网络是地方高校形象构建的有效途径和便捷平台,地方高校需要从校园网络建设、网络议程设置、网络内容把关等方面主动构建自身的形象,并充分利用网络的特点,促进高校形象的传播,避免被构建的被动局面,从质和量上全方位实现地方高校形象的网络传播,以提高自身的知名度,形成竞争的优势。     

基于BP神经网络的GNSS-R海面风速反演

针对GNSS-R进行海面风速反演过程中时频域相关物理量较多，数据耦合性强等问题，提出了基于反向传播（BP）神经网络反演海面风速的方法。建立反演过程中相关观测量与风速的对应关系，选取多观测量作为输入，对输入数据进行处理，设置神经元与激励函数，使用BP神经网络自适应调整拟合参数，将风速作为神经网络输出端的特征量提取。反演结果，风速≤ 20 m/s时，反演均方根误差RMSE=1.21 m/s，风速>20 m/s时反演均方根误差RMSE=2.54 m/s，反演结果优于使用时延相关曲线前沿斜率（LES）和时延多普勒相关功率均值（DDMA）方法得到的反演结果，且迭代次数较少，复杂度较低，证明该方法可以应用于GNSS-R海面风速反演。     

微信在品牌传播中的应用

微信作为一种新型的移动互联网信息平台在传播中因具有传播主体高互动性、传播受众高接受率、传播内容高私密性和便利性及传播效果高曝光率等优势,正逐渐成为品牌传播的又一有力媒介.运用微信进行品牌传播有利于建设品牌快速传播渠道、提升品牌忠诚度、促进品牌创新的应用价值.目前微信品牌传播中遇到对微信传播的认识不足、微信的信任危机和企业与用户互动性差、推送信息阅读率低等障碍,要克服这些障碍,增强微信品牌传播力应从微信和企业两大传播主体入手,充分发挥微信5.2版最新功能组合,增强微信平台的品牌传播力度和整合企业后台资源,提高应用微信传播品牌的能力.     

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。