一种新的联想记忆系统及其学习收敛性

提出了一种新的联想记忆系统--基于牛顿前向插公式的联想记忆系统(NFI AMS),用以实现在任意阶多变量多项式函数的高精度逼近,设计了相应的学习方法,并证明了在通常情况下对于任意多变量连续函数,NFI-AMS的学习总是以任意精度收敛的.该系统较之传统的CMAC类型的AMS,具有所需供学习的样本点较少,学习精度高和存储单元空间较小的优点,且比多层BP网络具有学习算法简单和收敛速度快的特点,可望在智能控制与信号处理,模式识别中得到应用.     

生物芯片点样机器人样品分配机理分析

为了解决接触式点样法制备生物芯片过程中,点样样点大小如何估算的问题,对样品分配机理进行了理论分析,讨论了点样针针尖大小、点样速度及溶液表面张力系数等因素对点样样点大小的影响,并进行了试验验证.最后根据试验数据总结出了点样样点的估算公式,为生物芯片制备中相关参数的选取提供了依据.      

导弹落点散布的Bayes试验鉴定优化设计

针对工程实际中所普遍存在的小子样问题，研究了落点样本量、验前信息可信度以及Bayes决策风险三者之间的关系，得到了有意义的结论，即：在综合Bayes决策风险上限的条件下，试验次数越少，则对“验前信息可信度”的要求就越高。在此基础上，通过算例说明了“最优样本量”概念在实际工程应用中的不适应性，为尽量减少试验次数，提出了“次优样本量”的概念，并由此得到了一种确定落点样本量的新方法。     

专科学生英语学习动机研究

学习动机与学生的学习态度、学习策略及学习成绩是紧密相关的。它直接制约着学习的积极性,极大地影响着学生的外语学习效果。本文介绍了对大学生英语学习动机研究的过程及其教学启示。     

基于粒子群优化核极限学习机的北斗超快速钟差预报

针对卫星钟差序列中非线性特性较为复杂和超快速钟差预报精度较低的问题,将核极限学习机算法引入到北斗超快速钟差预报中。首先,将极限学习机进行优化,引入粒子群优化算法来选择核极限学习机所需的核参数和正则化参数;然后,将优化后的方法应用到超快速钟差预报中,并给出了利用该方法进行超快速钟差预报的步骤;最后,在分析iGMAS提供的实测北斗超快速钟差数据的基础上,选用单天和多天数据进行短期预报。结果表明：在短期预报6h范围内,利用本文提供的优化方法解算得到的超快速钟差预报精度明显优于二次多项式模型和周期项模型,并且采用此方法得到的超快速钟差预报产品与iGMAS提供的超快速钟差预报产品(ISU-P)相比,GEO、IGSO和MEO卫星的预报精度分别提升了50.51%、46.98%、40.67%,其与最终精密钟差的符合程度显著 增强 。     

基于通道剪枝的SAR图像舰船检测优化算法

近几年,随着深度学习的发展,基于深度学习的目标检测算法开始应用于合成孔径雷达(SAR)图像中的舰船检测。但深度学习模型结构复杂,参数量与计算量巨大,无法应用到星载处理器的实时处理中。本文提出一种结合了Faster-RCNN和卷积通道剪枝的舰船检测方法,在保证检测精度不受较大影响的情况下,剪除卷积层中的部分参数,提高检测效率。实验表明:经过剪枝优化的Faster-RCNN舰船检测模型中的参数量降低了约56%,而推理时间减少了约51%,同时精度下降仅有1.9%。这给未来在星载处理器上部署舰船检测算法提供了新的思路。     

一种雷达信号模糊函数特征提取与识别方法

现代雷达面向智能化、软件化、多功能与多用途方向发展,一部雷达往往具有多种工作体制与工作状态,雷达信号采用复杂的波形设计,这就使得雷达信号的特征提取与识别过程变得越来越困难。另外,现代电磁环境复杂,杂波、噪声干扰严重,给雷达的侦察工作带来更大的难度。基于此,提出将流形学习应用于雷达信号模糊函数的特征提取,并对其进行仿真与分析。结果验证了该方法的可行性。     

谈谈高低温工作试验中的保温时间

文章介绍和分析了温度试验中的试验箱温度稳定和试件温度稳定的定义,民用标准和军用标准有关试件温度稳定的定义及其区别,温度稳定时间的确定方法,特别是确定试件温度稳定的三种方法及其优缺点和应用情况;介绍了保温时间的概念及其在高低温工作试验中的组成,分析了各组成部分的含义以及GJB 150和MIL-STD-810两个系列标准中这一组成部分的变化情况;最后提出了确定受试产品温度稳定时间一些建议。     

基于海杂波稀疏性与非均匀度的样本挑选方法

针对预警雷达对海监视面临海杂波分布非均匀与杂波样本受目标污染,导致自适应杂波抑制处理性能恶化和目标能量损失的问题,提出了一种基于海杂波稀疏性与非均匀度的样本挑选方法。该方法将目标的导向约束与广义内积样本挑选方法结合,先利用海杂波在空时二维平面上的稀疏分布特性,根据海杂波与目标空时二维分布差异剔除被目标污染的样本,再利用广义内积准则衡量海杂波分布的非均匀程度,并获取均匀样本,以提高杂波协方差矩阵的估计精度。仿真结果表明:所提方法能在提高杂波抑制性能的同时,减小目标信号能量损失。该方法可广泛应用于海面预警监视雷达系统。     

跨传感器异步迁移学习的室内单目无人机避障

针对强化学习策略由仿真环境向实际迁移困难的问题,以提高无人机采用无深度信息单目视觉时的行人规避能力为目标,提出一种基于异步深度神经网络结构的跨传感器迁移学习方法。首先,在仿真环境中仅使用虚拟单线激光雷达作为传感器,通过基于确定性策略梯度(DDPG)的深度强化学习方法,训练得到一个稳定的初级避障策略。其次,用单目摄像头和激光雷达同步采集现实环境中的视觉和深度数据集并逐帧绑定,使用上述初级避障策略对现实数据集进行自动标注,进而训练得到无需激光雷达数据的单目视觉避障策略,实现从虚拟激光雷达到现实单目视觉的跨传感器迁移学习。最后,引入YOLO v3-tiny网络与Resnet18网络组成异步深度神经网络结构,有效提高了存在行人场景下的避障性能。