干扰抑制技术辅助的直扩系统抗窄带干扰特性研究

为探索有干扰抑制技术辅助时，直扩系统抗干扰特性的新变化，文章通过蒙特卡罗仿真的方式，研究了在不同干扰带宽占比和干扰强度下，时域、频域两类干扰抑制技术的误码率性能。首先给出了窄带干扰条件下无干扰抑制技术辅助的直扩系统误码率估算方法；然后，简要介绍了时域归一化LMS（NLMS）干扰抑制技术和基于FFT变换的频域干扰抑制技术的算法原理以及工程实现方案，详细仿真比较了二者在不同干扰带宽占比、干扰强度和信噪比条件下的误码率性能；最后给出分析结果。研究表明，对于无干扰抑制技术辅助的直扩系统，干扰带宽占比越大，系统误码率则越低；对于有干扰抑制技术辅助的直扩系统，干扰带宽占比越大，系统误码率则越高，且在强干扰下误码率曲线存在明显的“错误盆底”效应。该研究对抗干扰技术选择以及干扰机的设计均有借鉴意义。     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式，样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程，分析了铲挖过程中臂载相机图像的特点，模仿有人参与识别过程，提出了层次解耦的月球样品智能识别流程，利用深度学习方法构建了一类深度卷积识别网络，完整地描述了图像、特征、标记在网络中的正反传递关系，并在月球表层采样地面试验中进行了验证，结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品，具有较好的泛化识别能力，误识别率优于8.1%，平均单幅识别时间约0.7 s。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

边缘检测技术在火箭发动机实验诊断中的应用

对高速运动分析仪拍摄的Ｕ型燃气发生器固体装药燃烧和双组元液体喷嘴雾化图像进行了边缘检测图像分析,根据被分析实物边缘层次性较强的特点,在简单边缘检测的基础上采用自动门限、二次门限和最佳滤波的方法,获得了固体燃气发生器在燃烧过程中的内部结构、推进剂瞬态燃速、绝热隔板烧蚀率等参数,获得了双组元液体喷嘴的雾化角、粒子分布等特性。