基于微波光子学的光电式高功率微波测试技术研究

针对传统高功率微波测试方法的固有缺陷，介绍了一种基于微波光子学的高功率微波测试方法。基于这种方法设计了一套光电式高功率微波测试系统，这套测试系统具备低扰动、瞬时动态范围大、抗干扰能力强且能同时采集高功率微波时/频域信号特征等优点。使用高功率微波脉冲信号对这套系统进行了试验验证，测得的数据完整的表现了高微波脉冲时/频域的信号特征，验证了这套测试系统和方法的可行性和有效性。     

卷积自编码器在非定常可压缩流动降阶模型中的适用性

为有效降低使用计算流体力学(CFD)方法的设计成本和周期，降阶模型(ROM)得到广泛关注。对于复杂的可压缩流动，使用本征正交分解(POD)等线性方法进行流场降维，需要大量模态才能保证流场重建的精度，采用非线性降维方法能够有效减少所需模态数。卷积自编码器(CAE)是一种由编码器和解码器组成的神经网络，能够实现数据降维和重构，可看作是POD方法的非线性拓展。采用CAE进行流场数据的非线性降维，同时使用长短期记忆(LSTM)神经网络进行流场状态的时间演化。对于不可压缩问题，使用自编码器和LSTM结合进行流场重构的方法已有较多研究，选择一维Sod激波管、Shu-Osher问题、二维黎曼问题和开尔文-亥姆霍兹不稳定性算例，测试该ROM对非定常可压缩流动的有效性，同时基于POD方法，在不同模态数下构造Sod激波管和黎曼问题的ROM作为对比。结果表明：对于非定常可压缩流动，CAE-LSTM方法能够在使用较少自由变量数的前提下获得较高的重构和预测精度。     

基于变分自编码器的多维退化数据生成方法

数据驱动的剩余使用寿命（RUL）预测方法不依赖于复杂的物理模型，可以直接利用设备历史运行数据与当前监测数据对设备RUL进行预测，对制定合理的维修策略，降低设备的维护成本具有重要意义。但是数据驱动的RUL预测方法依赖于大量历史数据，在数据不足时，尤其是多维退化数据，模型难以取得良好的预测效果。针对这一问题，提出一种多维退化数据生成方法，所提方法构建了一种全局优化模型，以条件变分自编码器作为生成模型，提取多维退化数据特征并生成相似数据扩充RUL预测模型训练集，利用长短时记忆网络作为RUL预测模型，所提方法能够通过RUL预测模型更新生成模型的参数提高模型的效果，同时利用更新后的生成模型提高剩余寿命预测模型在退化数据不足情况下的效果。使用航空发动机退化数据进行了案例验证，通过对比未加入生成数据训练得到的RUL预测模型与加入生成数据训练得到的RUL预测模型的表现，验证了所提方法在解决RUL预测模型训练数据不足方面的优越性。     

北京航空航天大学仪器科学与光电工程学院

学院简介北京航空航天大学仪器科学与光电工程学院源于1952年北航建校伊始成立的飞机设备教研室,1958年为满足“两弹一星”惯性制导的急需,由钱学森先生提议我国惯性技术的奠基人之一林士谴先生创建了“航空陀螺及惯性导航”研究室,以此为基础发展起来的航空陀螺及惯性导航专业,1981年获批全国首批博士点,1988年获批全国首批重点学科,1997年改称“精密仪器及机械学科”。     

基于高频光电导法半导体少数载流子寿命测量系统的设计与实现

基于高频光电导衰减法半导体少数载流子寿命测量基本原理，设计了半导体少子寿命测量系统，并在二极管检波电路的基础上，对信号处理系统进行了改进。该信号处理系统采用反馈式检波电路，相比于传统二极管检波电路，运用运算放大器的反馈原理减小了检波二极管压降产生的误差，同时结合二极管嵌位作用，减小了运算放大器压摆率带来的影响，提高了测量系统的检波能力。通过实验，验证了该检波电路的可行性，测试结果表明，有效提升了测量系统的准确性。     

基于多尺度CNN模型的多时相PolSAR图像作物分类

农作物分类是偏振合成孔径雷达(PolSAR)数据的重要应用之一。由于单时相PolSAR数据获取的信息有限，因此，采用多时相PolSAR数据，其含有农作物生长周期更丰富的特征信息。针对多时相PolSAR数据在极化特征分解时造成的“维数灾难”问题，提出了一种非负性约束稀疏自编码器(NC-SAE)的特征压缩方法，用于对分解后的特征数据进行压缩，以获得分类所需的有效特征。此外，构建了一种多尺度特征分类网络(MSFCN)，该网络可以提高农作物的分类性能，且优于目前传统的卷积神经网络和支持向量机方法。通过使用欧空局提供的数据进行仿真实验，对分类结果进行性能评估，并与传统方法比较。实验结果表明:所提的方法具有很好的农业应用前景。     

基于联邦滤波的多传感器管道定位方法CSCD

由低成本微惯性测量单元(MIMU)和里程轮组合的管道定位系统在里程轮出现打滑情况下,组合定位误差将快速发散。为解决里程轮打滑时量测信息失效的问题,采用光电测速传感器作为冗余测速传感器,利用联邦滤波对MIMU、里程轮和光电测速传感器多源信息进行融合,并基于预测残差设计了自适应信息分配因子,实现了不同特性传感器的最优融合。仿真实验结果表明,提出的多传感器管道定位方法可以降低里程轮打滑导致的管道定位误差,对于120m长的仿真管道,定位误差为管线长度的0.015%。     

基于AE-BN的发电机滚动轴承故障诊断

为解决风力发电机在复杂工况及耦合性、不确定性条件下故障识别的准确性问题，提出了一种基于自动编码器(AE)与贝叶斯网络(BN)的AE-BN故障诊断方法。采用AE对电流信号进行特征提取，得到能够高度表征信号的特征分量；基于故障与特征之间的因果关系，建立由故障位置、故障状态和故障特征搭建的三层BN；将AE的特征分量与BN的拓扑结构相结合建立风力发电机故障诊断模型，解决故障诊断中的不确定性问题，提高多故障诊断的准确性。实验结果表明：所提方法能够对故障特征信号进行分析及诊断，精确辨识不同故障类型，相比K近邻算法等具有明显优势。     

基于行人姿态的轨迹预测方法

在自动驾驶领域，行人轨迹预测一直是研究热点之一，行人行为的不确定性给轨迹预测带来很大的挑战。目前大部分轨迹预测方法只专注于行人之间的信息交互，忽略了行人意图和场景中其他语义信息对行人轨迹的影响。为此，提出一种基于行人姿态的卷积编码器-解码器网络(PKCEDN)来预测目标行人轨迹的方法，所提方法包含基于卷积、长短时记忆(LSTM)网络的编码器-解码器模型和能够学习当前时刻与过去时刻轨迹相关性的注意力机制。所提方法在MOT16、MOT17和MOT20公开数据集上进行了相关测试，与Linear、LSTM、Social-LSTM、Social-生成对抗网络(GAN)、SR-LSTM和M_sgtv等主流方法相比，在保证预测速度不降低的前提下，平均误差降低约36%。