中国的环境与灾害监测预报小卫星星座A／B星

2008年9月6日．我国专门用于环境与灾害监测的环境与灾害监测预报小卫星（简称环境减灾卫星）星座中的两颗光学星采用一箭双星方式发射升空．9月8日卫星开始成像测试．自此揭开了我国利用专门卫星数据进行环境与灾害预报的序幕。     

小展弦比飞翼布局作战飞机偏航轴飞行品质评定

依据MIL—STD—1797A飞行品质规范,对小展弦比飞翼布局作战飞机的偏航轴飞行品质进行了评定研究。评定结果表明：由于构型的原因,飞翼布局飞机本体的稳定特性和阻尼特性都较差,因此飞行控制系统对其动态响应特性的调节作用更加明显。稳态配平特性主要受构型的影响,飞翼布局飞机一般不能完全满足飞行品质的要求。由于可控性的设计要求需采用多操纵面的组合操纵,控制分配技术导致某些现有的品质准则需要修改。小展弦比飞翼布局飞机取消了垂尾（方向舵）并采用了新型操纵面（ICE）,在某些情形下对偏航轴操纵效能的需求与常规飞机相比存在较大的差异。总之,在飞翼布局作战飞机的构型设计、飞控系统设计以及飞行品质评定条款的制定、实施中,均需考虑这些新的飞行品质特性。     

萨里公司想研制火箭

英国著名小卫星制造公司萨里卫星技术公司正与准备开展太空旅游业务的维珍银河公司一道,探讨是否可以研制一种低成本的火箭,用于发射小型卫星。英国政府38年前放弃了其成功的“黑箭”运载火箭项目。萨里和维珍提出的新项目将完全是一项商业项目,拟由载机把全复合材料的两级火箭携至高空发射,类似于美国的“飞马座”系统。     

“北京一号”小卫星图像分析

20世纪80年代中期开始,世界航天界兴起了发展小卫星的热潮,特别是小卫星星群或星座的发展,将取代部分现代大型应用卫星的功能。文章提出并总结了图像综合品质评价技术指标,对中国的“北京一号”（DMC＋4灾难监测星座）小卫星图像进行评价,从图像的空间分辨率、光谱分辨率和时间分辨率几个方面对中国“北京一号”小卫星图像进行分析。     

微型短文词汇自主学习的实验研究

为期18周的以微型短文为材料的大学英语词汇自主学习的实验性研究,通过定量与定性相结合的研究方法,对桂林理工大学非英语专业一年级37位新生使用<大学英语四级词汇微型短文记忆法>进行实验研究,以期揭示学生可以使用该书通过自主学习,从而掌握并运用英语词汇.     

燃气涡轮性能试验台的控制因素敏感度分析

针对某燃气涡轮性能试验台,选择空气流量、燃油流量、水流量以及涡轮背压作为控制系统的主要控制量。通过建立工作点附近的线性“小偏差”方程,讨论了以上四种因素对于涡轮的入口压强、入口温度和转速这三个状态变量的影响程度。压强主要取决于空气流量．温度对空气和燃油均有一定的敏感性,转速则主要由水流量来控制。基于以上判断确定了试验台的手动调节规律。     

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法

杂波谱稀疏恢复空时自适应处理（STAP）是一种有效减少杂波样本数需求的机载雷达杂波抑制方法。然而,空时平面被离散地划分为若干个网格点来构建空时导向矢量字典,当字典在失配时,杂波脊不能准确落在预先离散化的网格点上,稀疏恢复STAP性能严重下降。提出了一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典重构杂波协方差矩阵,进而计算杂波空时谱。实验证明,该方法能够有效提高字典失配情况下的杂波谱稀疏恢复精度,杂波抑制性能优于已有字典预先离散化的稀疏贝叶斯学习STAP方法。     

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。