高频宽范围阻抗测量的一种新方法

本文根据微波网络理论,提出了利用A参量求解高频阻抗的新方法,详细介绍了如何将该方法用于网络分析仪系统测量高频阻抗,并将其测试结果与美国惠普公司生产的专用高频阻抗分析仪HP4191A及该公司最新展出的频谱、网络、阻抗分析仪HP4195A的测试结果作了比较,实践证明,该方法与传统的S参量法相比,大大拓宽了阻抗测量范围,提高了测量精度(能自动地消除联接电缆的影响),且适用于被测件的同轴联接及非同轴联接。此方法对利用各种网络分析仪实现高阻测量具有普遍意义。     

洛马公司的天基红外系统-高轨卫星的研制取得重大进展

该公司已经完成并交付了一个复杂的、高性能通信子系统，该子系统是天基红外系统-高轨卫星星座首颗地球静止轨道卫星红外载荷的组成部分，这在该项目上具有重大里程碑意义。这个通信子系统将在“天基红外系统”中发挥重要作用，它能够从红外载荷向作战人员提供抗干扰、生存力强的通信，提供覆盖全球的导弹发射探测和防御数据。这个子系统还能通过与地面站的持续交互通信对卫星提供安全的指挥与控制。     

B65A-S钢动态力学性能及本构模型的研究

为了研究B65A-S钢的动态力学行为,采用Instron液压试验机和分离式霍普金森压杆试验装置,在不同应变率和不同温度条件下对圆柱形试样进行准静态和动态加载试验。试验结果表明,材料的屈服强度与流动应力随着温度升高而降低;在温度一定时,随着应变和应变率的增大,材料的流动应力增高,具有典型的温度软化、应变强化和应变率强化特性。最后基于Jonson-Cook本构模型对试验数据拟合,得到B65A-S钢的Johnson-Cook本构模型参数。     

商业银行高管离职市场效应的性别差异分析

证券市场普遍地将高管的离职事件作为特殊事件对待,而由于商业银行的特殊性质,其高管离职事件又与普通上市公司不同。选择2007~2012年间16家上市商业银行的高管离职事件为样本,在以事件分析法分析商业银行高管离职事件市场效应的基础上,实证研究了商业银行高管离职事件中的"性别差异"问题。研究发现,市场投资者对于不同性别的商业银行高管离职事件表现出不同的态度,较之男性商业银行高管离职事件,市场投资者在女性商业银行高管离职事件中,显著地获得了更多的累积超额收益,也就是说,在商业银行高管离职事件中,显著地存在"性别差异"。     

基于自适应支配和参考向量的高维多目标优化算法

现有的改进支配方法提高了解集逼近Pareto前沿的能力,但平衡种群收敛性和多样性的能力仍然不足。针对此问题,提出了一种基于自适应支配和参考向量的高维多目标优化算法(An adaptive dominance and reference vector based evolutionary algorithm for many-objective optimization,ADRVEA)。首先提出自适应支配(Adaptive dominance,AD)来设计小生境机制;然后通过参考向量划分目标空间来提高种群多样性;最后构建适应度表达式来实现精英选择。实验证明所提出的ADRVEA不仅性能良好,而且有效平衡了种群的收敛性和多样性。     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

基于高置信局部特征的车辆重识别优化算法

根据车辆重识别中区域置信度不同,提出了基于高置信局部特征的车辆重识别优化算法。首先,利用车辆关键点检测获得对应的多个关键点坐标信息,分割出车标扩散区域和其他重要的局部区域。根据车标扩散区域的高区分度特性,提升局部区域的置信度。使用多层卷积神经网络对输入图片进行处理,根据局部区域分割信息,对卷积得到的特征张量进行空间维度上的切割,获得代表全局信息和关键局部信息的特征张量。然后,通过全连接层特征张量转化为表示车辆个体的一维向量,计算损失函数。最后,在测试阶段使用全局特征,并利用训练好的车标扩散区域提取分支获得高置信局部特征,缩短局部识别一致的车辆目标距离。在典型车辆重识别数据集VehicleID上进行测试,验证了所提算法的有效性。