基于红外和纹影技术研究声作用下火焰锋面运动及热量演化

以Rijke型驻波声场为声环境，以本生型层流部分预混火焰为实验对象，研究了火焰在声场作用下的锋面运动及热量演化行为。通过火焰红外图像表征燃烧反应产生的高温产物，借助火焰纹影图像描述径向温度梯度分布，并以红外-纹影信息一体化的图像说明了高温产物与径向温度梯度的关系。结果表明，声场作用下的部分预混火焰，其高温产物附着在锋面上，表现为层分布的对称型尖头结构，下游区域较上游区域幅面更宽；轴向热量演化过程以尖头状分布方式在声周期内经历2次升降过程，向火焰下游方向输运，径向热量传递过程所形成的温度梯度轮廓表现为“手指状”，由高温产物的尖头结构及运动决定。     

基于动态特征选择的遥感图像目标检测算法

在遥感图像目标检测领域内,旋转物体的检测存在挑战,卷积神经网络在提取信息时会受制于固定的空间结构,采样点无法聚焦于目标;遥感图像尺度变化大,不同物体需要具有不同尺度感受野的特征映射,具有单一尺度感受野的特征映射无法包含所有有效信息。基于此,提出了可变形对齐卷积,根据候选边框调节采样点,并根据特征映射学习采样点的细微偏移,使采样点聚焦于目标,从而实现动态特征选择;同时提出了基于可变形对齐卷积的感受野自适应模块,对具有不同尺度感受野的特征映射进行融合,自适应地调整神经元的感受野。在公开数据集上的大量实验验证了所提算法可以提高遥感图像目标检测的精度。      

数据驱动的卫星关键部件剩余寿命预测模型

针对目前基于统计学方法对卫星及其关键部件进行剩余寿命预测时普遍存在的建模困难、预测精度不高等问题,为更快速、更精确地预测在轨运行卫星关键零部件的剩余使用寿命(RUL),选取时序数据特征提取能力较强的门控循环单元(GRU)网络构建RUL预测模型.在模型构建时,除了利用卫星遥测数据之外,还将反映卫星通信质量的统计类数据添加...     

Ni/Ti中间层部分瞬间液相法连接C/C复合材料和GH3044

采用Ni/Ti中间层,部分瞬间液相法(Partial Transient Liquid-Phase,简称PTLP)连接C/C复合材料和GH3044,通过SEM+EDS对接头的微观结构和元素分布进行了表征,并分析了接头形成机理。研究表明,这种方法可实现C/C复合材料与中间层、中间层与GH3044界面处的良好结合;所得接头截面为GH3044/扩散层/残余Ni层/Ni-Ti金属间化合物层/炭化物反应层/C/C复合材料;随保温时间的延长,接头中金属间化合物Ni3Ti不断生长,同时两侧的Ni、NiTi被逐渐消耗。另外,因为C/C复合材料和GH3044的热膨胀系数(Coefficient of Thermal Expansion,CTE)差别很大,所以冷却过程中产生了较大的热应力,导致C/C复合材料/中间层界面附近出现了大尺寸裂纹,使接头性能下降,其剪切强度仅有9.78 MPa。     

铷原子钟物理部分的低剂量率辐射效应研究

铷原子钟物理部分是铷原子钟的原子鉴频器,决定铷原子钟的短期和长期稳定度（1s以上）,其中使用了金属铷、玻璃、镍铁合金等材料和一些双极性晶体管、运算放大器等器件,其核心部件铷泡是一个采用特殊真空工艺制造的器件,这些材料、器件和工艺的低剂量率辐射效应需要实验评价。本文提出并完成了铷原子钟物理部分的低剂量率辐射实验,采用Co60γ源,辐射剂量率0.01rad（Si）/s,总剂量50krad（Si）,对铷原子钟物理部分和铷泡的辐射效应分别进行了实验评估。这项研究更加真实地逼近了空间的电离辐射,实验数据对于星载铷原子钟的在轨运行监测和下一代星载铷原子钟的抗辐射设计具有重要的作用。     

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

基于核部分非负矩阵分解的亚像元级地物光谱分析

为了进一步提高亚像元级地物的光谱分析精度,提出了一种基于核部分非负矩阵分解(Kernel Protection Non-negative Matrix Factorization,KPNMF)的非线性解混算法.首先通过基于凸面几何理论的端元提取方法提取纯像元端元候选像素集合,然后根据候选像素的空间纯度指数判断纯像元端元.在纯像元端元信息已知的条件下,利用核方法对部分非负矩阵分解(Protection Non-negative Matrix Factorization,PNMF)进行推广,构造相应的目标函数,推导迭代求解过程,分解求得亚像元端元光谱和所有端元的丰度.试验结果表明,提出的解混算法具有良好的非线性分解能力,解混结果优于线性解混算法.     

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。      

部分喷嘴关闭对预旋供气系统供气参数影响的实验研究

为了研究部分喷嘴流路关闭对预旋供气系统供气流量和供气温度等特性参数的影响,在部分喷嘴流路打开和关闭工况下进行了实验研究。研究结果表明：随着喷嘴压比增加,以几何流通面积定义的喷嘴流量系数先增大后基本保持不变,转动对喷嘴流量系数的影响在1.6%以内,可以忽略;在系统压比为1.30时,由于阀门关闭不严和关闭后预旋腔腔压的变化,供气流量降幅是喷嘴几何流通面积降幅的67.8%~81.8%,实验状态下阀门关闭会导致供气温度降低约1.2K~2.4K。