应用于智能芯片的可视化反馈系统研究

当前，市场上普遍使用的负责推理的终端人工智能（AI）芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致，由此获得的参数会导致终端AI芯片识别准确度降低。为此，提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法，在具有高效计算性能的终端AI芯片上，对卷积核参数进行迭代优化，达到可识别该图像目的。相比于CPU/GPU和FPGA，所提架构在卷积神经网络模型里，更具有高效处理能力和灵活可塑性。实验表明，该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。      

BDSBAS完好性保护级分析与研究

选取中国地壳观测网(CMONOC)的参考站中的25个站点,作为基于北斗系统的星基增强系统(BDSBAS)地面参考站;对用户差分距离误差(UDRE)和格网点电离层垂直延迟改正数误差(GIVE)的算法进行研究;利用接收机接收的北斗数据,分析与研究了中国及邻近区域的完好性保护级及完好性可用性覆盖范围。结果表明:利用所提出的方法,至少95%时间可用时,整个中国区域100%满足LPV进近对完好性保护级的要求,部分区域满足LPV-200进近对完好性保护级的要求。由此验证BDSBAS在中国建设的可行性,对在民航中的应用提供了参考。     

辐照和EO灭菌对SIS材料免疫原性的对比研究

免疫反应大小是决定可植入生物材料能否开展临床应用的关键因素之一。研究评估了辐照和环氧乙烷（EO）两种灭菌方式处理后的小肠黏膜下层（SIS）脱细胞外基质材料在体内的免疫反应，旨在为其临床试验的开展提供可行依据。将两种灭菌方式处理的SIS脱细胞外基质材料皮下植入到BALB/c小鼠，第14和28天取样后，系统性地评估了其免疫反应。与仅手术不植入材料的阴性对照组相比，免疫器官（脾和淋巴结）的形态、质量、细胞数、淋巴细胞的体外增殖及酶联免疫吸附检测结果均无显著性差异，证明两种灭菌方式处理后的SIS脱细胞外基质材料都不会对小鼠引起明显的免疫排斥反应。流式细胞术分析及局部H&E染色结果表明，经EO灭菌处理的SIS脱细胞外基质材料对小鼠的免疫刺激更小，是更适用于此材料的灭菌方法。研究结果为SIS脱细胞外基质材料的灭菌程序及其临床应用提供了支持。      

数据丢包和量化约束下的分布式滚动时域估计

针对网络约束问题，对带丢包和量化的网络化系统分布式状态估计进行了研究。用一组满足Bernouli分布的随机变量来描述丢包现象，采用预测补偿机制进行丢包补偿。将数据量化引入的误差描述为观测方程中的参数不确定性，通过求解固定时域内的min-max问题，得到局部估计器。对局部估计器的稳定性进行研究，给出了误差范数平方的期望收敛的充分条件。推导了局部估计器误差协方差上界的递推公式，在此基础上，应用协方差交叉（CI）融合算法得到了分布式融合估计器。仿真结果表明，所提算法能够有效减小数据丢包和量化对状态估计的影响。      

涂覆吸波材料圆柱的RCS预估方法

用缩比模型测量结果预估是研制阶段获得大尺寸目标雷达散射截面（RCS）的常用方法，但根据经典电磁相似理论，严格满足缩比条件的涂覆吸波材料缩比目标测量难以实现。针对涂覆吸波材料缩比目标的RCS预估问题，提出了采用多元对数线性回归模型的预估方法。设计了2组圆柱模型，在微波暗室中对缩比因子分别为1、2、4、8的2组模型进行了测试。在完成角度矫正等数据预处理基础上，将缩比模型RCS数据作为训练集代入模型当中求得参数，对原模型的RCS进行预估并与实际实测数据进行对比分析。结果表明:所提方法预估数据与实测数据曲线拟合度较好，相较于传统平方率模型，误差下降了3~5 dB，在回归模型中加入吸波材料因子后误差进一步下降了0.3~0.8 dB。      

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

基于循环神经网络的空中目标类型识别

为解决在空中目标类型识别过程中,目标特征单一导致识别准确率低的问题,提出一种将雷达信噪比与目标航迹特征相结合的基于循环神经网络(Recurrent Neural Network,RNN)的目标识别方法。该方法利用RNN模型在处理时序数据上的优势,挖掘雷达数据隐藏在时间层面的特征;扩展目标特征属性维度,利用智能化模型有效地将雷达信噪比与目标航迹特征相结合,提高目标识别的准确率。应用真实检飞数据,对该方法进行检验,并与传统方法进行对比分析。仿真结果表明,基于RNN的目标智能化识别方法具有更高的准确率。     

基于代价敏感剪枝卷积神经网络的弹道目标识别

为降低弹道目标整体误识别代价，提出了基于代价敏感剪枝（CSP）一维卷积神经网络（1D-CNN）的弹道目标高分辨距离像识别方法。首先，基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架；然后，在此基础上，提出了基于人工蜂群算法的网络结构无梯度优化方法，以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络，即代价敏感剪枝；最后，为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标，提出了一种代价敏感交叉熵（CSCE）损失函数对训练进行优化，使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下，相比传统的1D-CNN具有更低的整体误识别代价，且降低了50%以上的计算复杂度。      

基于特征序列的时域STBC-OFDM盲识别算法

为有效解决STBC-OFDM信号盲识别过程中存在的低信噪比适应能力弱等问题，在OFDM块大小已知的前提下，提出了一种在时域上构造特征序列的识别算法。该算法推导了空时分组码接收信号的时域特性，以及四阶特征向量，并构造特征序列，通过检测特征序列达到识别4种STBC-OFDM信号的目的。推导和仿真结果表明:所提算法无需信道、噪声、调制方式和OFDM块起始位置等先验信息，在较低信噪比条件下也具有良好的识别性能，且对频偏、多普勒频移和时延的鲁棒性能好，计算量较低，具有较高的实用价值。      

基于TechDemoSat-1卫星的GPS反射信号海面高度反演

针对星载GPS反射信号（GPS-R）海面测高的误差问题，基于星载GPS-R实测数据进行星载海面测高模型和误差修正模型的研究，并验证其有效性。利用TechDemoSat-1（TDS-1）数据，使用时延多普勒图（DDM）海面高度反演技术，着重分析了星载GPS-R海面高度反演中的各类误差，并建立了相应的误差模型。对星载GPS-R海面高度反演模型进行优化，采用DTU15全球平均海面模型、DTU全球海潮模型验证反演精度。结果证明:优化后反演模型得到的全球海面高度反演结果的平均绝对误差（MAD）为6.05 m，精度提高了约29%，有效提高了海面高度反演的精度。研究成果对于推广星载GNSS反射信号（GNSS-R）的海面测高应用具有一定的意义。