基于滑动截获和信号相关的对流层散射频谱感知

为提高对流层散射频谱感知的性能，提出了适应对流层散射多径衰落信道的频谱感知方案。针对对流层散射频谱感知性能低下的问题，在分集接收的基础上，分析对流层散射信道的时域扩散特性，提出滑动截获的方式截获信号，计算其最佳截获长度。同时，为降低噪声对检测性能的影响，利用信号的相关性，求出各截获窗内信号的相关矩阵，构造统计量，分别推导在Nakagami-m衰落信道模型下不同分集数时的检测概率和检测门限。通过仿真实验分析，验证在不同条件下所提频谱感知算法的性能，与传统算法相比，所提算法在对流层散射信道中适应性更好、性能更强。     

考虑温度影响的干摩擦接触分子动力学研究

基于多尺度方法对干摩擦行为进行预测已成为当前研究热点。对于航空发动机等高温机械系统，温度对干摩擦行为影响至关重要。针对高温影响下微动界面摩擦行为开展分子动力学建模与分析，研究不同温度下微凸体的切向碰撞过程；考虑温度的升高使摩擦界面微凸体黏着作用增强，提出不同于赫兹接触理论预测的真实面积计算方法；基于所建的分子动力学模型和G-W接触模型，研究不同温度下接触面的摩擦系数，与实验测量的摩擦系数结果吻合，验证所提方法的正确性。对于在高温环境下接触、摩擦及微动等界面力学问题的研究提供了可借鉴的方法，同时为高温旋转机械动力学多尺度方法提供了可参考的解决手段。     

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LMD与AO-PNN的中介轴承故障诊断方法

针对航空发动机中介轴承受噪声干扰大、传递路径复杂导致采用传统方法难以进行故障诊断的问题,提出了一种基于局部均值分解（LMD）与相关系数-能量比-峭度准则、结合天鹰座优化算法（AO）优化概率神经网络（PNN）的中介轴承故障诊断方法。使用LMD对传感器采集的振动信号进行分解;利用相关系数-能量比-峭度准则判决筛选分解得到的PF分量,重构筛选后的信号;计算重构信号的多尺度排列熵（MPE）,以构建特征向量;通过AO优化的PNN的平滑因子,将优化后的神经网络用于中介轴承的故障诊断。基于中介轴承故障试验数据对诊断结果进行了分析,结果表明：提出的方法可以有效诊断高背景噪声、复杂路径干扰下的航空发动机中介轴承的典型故障,与粒子群优化的概率神经网络方法（PSO-PNN）和传统的PNN方法相比,其诊断准确率分别提高了3.875%和8.125%,具有较好的全局收敛性和计算鲁棒性。     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法.首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习.其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复...     

氧化硅气凝胶粉体材料力学性能的多尺度模拟

基于氧化硅气凝胶粉体材料内部的微结构特征,建立了能反映其特征结构的多尺度力学模型,利
用分子动力学方法模拟了氧化硅气凝胶的纳米多孔结构和拉伸性能,进一步利用离散元方法模拟了粉体材料
的模压成形和多轴压缩应力-应变曲线。分子动力学模拟表明,气凝胶密度越低,其分形维数越小。此外,离
散元模拟表明,氧化硅气凝胶粉体材料的弹性模量比对应的氧化硅气凝胶弹性模量低,压缩强度比对应气凝胶
的拉伸强度高;随着围压的增加,氧化硅气凝胶粉体材料的压缩强度增加。     

拉伸载荷下正交三向机织复合材料接头失效多尺度渐进损伤分析

针对机械打孔三维机织复合材料耳片接头的单轴拉伸破坏性能，采用多尺度分析方法研究孔边纱线破坏过程。结果表明，正交三向（ORT）机织复合材料接头孔边的连续的经纱出现大量的纵向损伤；纬纱单元出现大量横向损伤，损伤沿着孔边45°方向逐渐扩展，纬纱发生剪切失效，最终接头的损伤形式为剪切破坏。数值模拟和试验结果的误差为1.14％，验证了多尺度有限元仿真方法的正确性。孔边细观区域的纱线损伤从孔边扩展到边接头边缘。孔边纱线的分布位置不同，纱线的破坏形式虽不一样，但是不影响破坏的扩展趋势。     

基于多尺度融合的自适应无人机目标跟踪算法

针对无人机（UAV）跟踪过程中目标的尺寸小、尺度变化大和相似物干扰等问题，提出了一种基于多尺度注意力和特征融合的自适应无人机航拍目标跟踪算法。首先，考虑到无人机视角下干扰信息多，构建了深层多样化特征提取网络，提供鲁棒表征目标的语义特征和多样化特征；其次，设计的多尺度注意力模块，抑制干扰信息的同时保留了不同尺度的目标信息；然后特征融合模块将不同层特征进行融合，有效整合了细节信息和语义信息；最后，使用多个基于无锚框策略的区域建议模块自适应感知目标的尺度变化，充分利用整合的特征信息实现对目标的精准定位与稳定跟踪。实验结果表明：该算法在数据集上的成功率和准确率为61.7%和81.5%，速度为40.5 frame/s。该算法对目标的辨别能力、尺度感知能力和抗干扰能力明显增强，能有效应对无人机跟踪过程中的常见挑战。     

基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知

目前的频谱感知算法以模型驱动为主，其感知性能过于依赖预定的统计模型，这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析，结果显示信噪比的波动达到14 dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识，可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则，在神经网络输出端设计了一种基于阈值的检测方案，可方便地控制恒定的虚警概率。仿真结果表明，所提算法在信噪比为–14 dB的情况下，仍能达到83%的检测性能，且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。