多状态空间信息网络拓扑生成优化算法

依据空间信息网络（SIN）高动态性的特点,并考虑卫星工作的多状态特性,兼顾星间通信时延和拓扑抗毁性的要求,研究了多状态下空间信息网络拓扑生成及动态优化的问题。根据卫星星座的周期性,建立了一种卫星网络的拓扑周期表。综合卫星的可视性和连接度等约束条件,以网络平均和最大时延作为通信性能的优化目标,建立拓扑的多目标优化模型。提出一种改进的多目标模拟退火（IMOSA）算法,求解全局时延最优的卫星拓扑,并在考虑多状态情况下对链路进行优化,以满足网络高动态性。最后基于具有66颗低轨（LEO）的铱星星座进行仿真,研究表明：针对多状态条件下的铱星星座,该算法最大化减小了通信时延,得到抗毁性良好的拓扑结构,通信性能较之原有静态拓扑明显得到改善。     

燃气轮机燃烧室预混喷嘴排放性能的试验和数值研究

为了研究当量比、值班燃料量和压力对燃气轮机燃烧室预混喷嘴排放指标的影响,在环境压力下按照等速模化原理进行了燃烧室预混喷嘴的燃烧试验,基于化学反应网络法构建了污染物预测模型,开展了试验和数值对比研究。结果表明:在带值班燃料的情况下该预混喷嘴当量比φ在0.35～0.5时可满足国标排放要求,但是值班燃料量增大会使NO_x排放升高;在φ0.4时,压力对纯预混燃烧NO_x生成无影响,φ0.4时,NO_x会随压力升高而增多;带有值班燃料的预混燃烧时,NO_x对压力变化敏感,压力升高导致NO_x增多;该预混喷嘴混合性能对空气流速不敏感、燃料兼容性强,排放达标当量比范围宽,经进一步设计开发后有潜力应用于燃气轮机低排放燃烧室中。该化学反应器网络模型依赖经验较少,当值班燃料比例≤0.17时,对污染物预测与试验数据符合较好。     

受限航路空域自主航迹规划与冲突管理技术

为了解决在基于航迹运行的空中交通管理自动化系统中人机意识同步的问题,以航路运行为对象,开展了面向受限空域的自主四维航迹（4DT）冲突探测与解脱（CD&R）技术研究。基于自由航线空域（FRA）环境,提出基于栅格的空域离散化处理与计算方法;在此基础上,提出受限空域自主航迹运行两阶段方法：阶段1运用可视图（VG）法和Dijkstra算法,实现了满足限制区约束的航空器期望航迹快速规划;阶段2提出航迹可达时空域模型及其图形化表达方法,并基于连续飞行动力学推导出了不同情况下的航空器位置更新模型,并采用局部冲突探测与解脱方法,以飞行距离最短为目标,实现航空器自主路径与速度联动规划,从而支撑空地、人机认知同步的无冲突四维航迹生成;最后,以中国西部典型空域为运行场景开展仿真实验,验证了所提方法的计算高效性和模型有效性,并对栅格尺寸和探测距离这2个关键参数进行了灵敏度分析。结果表明,所提方法能够支撑复杂空域高密度运行环境自主航迹运行,为推动自主空中交通系统发展提供了新思路和新方法。     

结合跳点引导的无人机随机搜索避撞决策方法

针对无人机在城市空域环境和密集交通流下的避撞决策问题,提出马尔科夫决策过程（MDP）和蒙特卡洛树搜索（MCTS）算法对该问题进行建模求解。蒙特卡洛树搜索算法在求解过程中为保证实时性而使其搜索深度受限,容易陷入局部最优,导致在含有静态障碍的场景中无法实现避撞的同时保证全局航迹最优。因此结合跳点搜索算法在全局规划上的优势,建立离散路径点引导无人机并改进奖励函数来权衡飞行路线,在进行动态避撞的同时实现对静态障碍的全局避撞。经过多个实验场景仿真,其结果表明改进后的算法均能在不同场景中获得更好的性能表现。特别是在凹形限飞区空域仿真模型中,改进后的算法相对于原始的蒙特卡洛树搜索算法,其冲突概率降低了36%并且飞行时间缩短47.8%。     

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题,提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法,算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节,以充分利用模型中的低层特征,增加细节信息;改进模型的区域生成网络,加入多种滑动窗口,从而优化了模型锚点的长宽比设置,提高检测能力。实验表明,改进Faster RCNN模型取得最优的缺陷检测结果,对于小缺陷目标仍取得较好的检测精度,从而验证了算法的有效性。     

NVNA谐波相位检验件设计及定标

本文介绍了一种用于检验非线性网络分析仪谐波相位指标的检验件设计方法,并搭建了基于实时示波器的测量系统对谐波相位进行定标。通过高速实时示波器对检验件的输出信号进行采样,利用傅立叶变换提取谐波相位信息。为了得到高准确度的测量结果,采用去缠绕、最小二乘等算法对相位结果进行优化处理。实验结果表明,该方法可以作为NVNA谐波相位指标的验证手段对NVNA的谐波相位进行验证。     

拓扑数据分析在复杂脑网络分析中的应用

针对复杂脑网络分析中网络结构变化阈值选择中没有公认的标准确定合适阈值这一问题,基于拓扑分析中的持续同调性理论,本文提出一种多尺度大脑网络建模分析方法,该方法在大脑全尺度距离范围之内,通过不断增加阈值,运用Rips过滤算法捕获网络的动态持续拓扑特征,并用条形码和持续图对拓扑特征可视化,最后通过计算持续图之间的Bottleneck距离和Wasserstein距离分析持续特征的稳定性。实验结果表明,该方法能更准确地提取大脑网络的拓扑结构特征并提高诊断分类的准确性。     

基于高分辨率网络的单声道歌声分离

单声道歌声分离是指将单声道歌曲中的伴奏和歌声分离,在旋律提取、歌词识别、卡拉OK伴奏等方面有重要应用。针对当前时频谱图预测精度受限的问题,利用高分辨率网络具有并行结构及特征充分交互提高模型性能的优势,提出基于高分辨率网络的单声道歌声分离算法。设计并构建适合单声道歌声分离的高分辨率网络,输入歌曲的时频谱图到网络,得到预测的伴奏和歌声时频谱图。结合歌曲相位进行重构,得到伴奏和歌声的时域信号。实验表明,在公开数据集MIR-1K上,所提算法的SNR、SIR、SAR指标均优于当前代表性算法,提高了分离后伴奏和歌声的质量。      

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题,目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测,前者有着较高准确性,后者有着较好速度,但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能,基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块,通过对候选区域网络（RPN）的锚机制进行引导,使得对于预选锚框形状的选择更具有多样性;同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题,提出了一种置信度因子的NMS（Cf-NMS）算法,对于模型的整体性能有着很大的贡献。实验结果说明,所提方法虽然在速度性能上有略微的下降,但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。