浅议我国个人所得税实施中存在的问题及解决对策

个人所得税在调节个人收入、增加财政收入、维护国家权益等方面发挥了积极作用,但是随着我国经济的发展,在实施个人所得税中也逐渐暴露出一些问题.本文针对这些问题,进行了深刻的分析,并提出了解决的对策.     

劈绕射系数的一种通用表达式及应用

 在讨论矩形波导辐射场、飞行器翼边电磁散射场时,要用到二维金属尖劈的绕射系数表达式。许多学者对尖劈绕射场进行了详细讨论,给出了明确结果,其中级数形式的严格解收敛速度较慢,简化公式是当源置于无限远处取得的,对于尖劈近区场源问题没有触及,文献[2]给出的简化解析式在应用上有一定的困难。因此我们重新进行了推导,获得一种新的表达式,适合于近、远场源问题的数值计算。矩形波导棱边的绕射是普通劈尖的一个特例。     

基于模式匹配的中文问答系统

网络信息的迅速增长,传统搜索引擎的不足,促使了人们对问答系统的研究。首先介绍了一些问答系统相关知识;然后重点介绍了我们设计开发的基于模式匹配技术的中文问答系统;最后使用该系统进行实验,并给出实验结果与分析。实验结果表明,基于模式匹配的中文问答系统是有效的。     

基于最优误差动力学的时间角度控制制导律

针对带有攻击时间和终端攻击角度约束的导弹制导问题,设计了一种基于最优误差动力学的时间角度控制制导律,并给出了明确的性能指标。推导广义最优角度控制制导律作用下的剩余飞行时间估算表达式,在广义最优角度控制制导律的基础上增加攻击时间误差反馈项,将攻击时间误差看做跟踪误差,设计的制导律使跟踪误差以最优模式在有限时间内收敛到零,最终实现攻击时间和终端攻击角度的共同控制。对不同参数下的情况进行仿真,验证了所提制导律的有效性。     

直升机抛射物体平衡及稳定性分析

基于部件级建模理论建立了建立直升机-外挂装置系统六自由度飞行动力学模型。对所建模型进行了配平计算,与参考数据进行了对比。计算分析了不同速度下采用不同方式抛射物体时直升机的稳定性。结果表明,单侧抛射由于反冲力不对称,抛射物体对于直升机的滚转角和横向周期变距有显著的影响;随飞行速度增大,抛射物体对于直升机横向荷兰滚模态稳定性影响增大,当前飞速度达到50m/s以上时,荷兰滚模态演变为两个发散的非周期模态,稳定性明显变差,直升机应在较低速度下抛射物体。      

基于视觉的模型烧蚀形貌实时测量方法

针对电弧风洞试验时模型烧蚀形貌实时的变化问题,使用数字散斑相关结合双目视觉的方法直接测量得到了模型烧蚀过程的形貌变化历程。利用散斑相关来进行图像数据的处理,同时综合了亚象素相关算法。通过测量获得了模型烧蚀过程的形貌实时变化情况。标定结果表明标定精度达到了0.02 mm;试验结果表明,测量方法可以为分析平板模型随烧蚀时间变化而变化的特性提供有效的试验数据。     

过载环境下水平管内水的流动沸腾特性

利用地面离心旋转台实验研究了不同过载环境下水在1.8 mm内径水平管内流动沸腾的摩擦压降特性.实验工况为过载加速度1.00g～3.16g,质量流速为230、330 kg/(m2.s),热流密度为102、141 kW/m2,干度为0.07～0.58.结果表明:不同过载环境、干度、热流密度和质量流速对水的摩擦压降均有影响....     

基于LSTM的飞行数据挖掘模型构建方法

提出了一种基于LSTM （Long Short Time Memory）模型的飞行历史数据挖掘模型的构建方法,此模型可以将飞行数据中有价值的目标数据自动提取出来。首先,通过滑动窗口法获得待检测数据;然后,将预先做好的训练样本数据输入到所构造的LSTM模型中进行训练,得到数据挖掘模型;最后,将待检测数据导入到训练好的LSTM模型中进行模式识别,将目标数据片段挖掘出来。结果表明,基于LSTM模型的飞行数据挖掘模型构建方法通用化程度高,可用于挖掘不同类型的目标数据,且识别率高,具有很高的工程应用价值。     

结合图像局部信息的高斯混合型图像分割框架

针对现有的基于判别型或聚类型的图像,用分割方法无法处理被噪声污染的图像的现状,提出一种新的两步式图像分割框架。该框架首先利用图像的局部信息重塑图像的灰度直方图,增强了像素的类间散布性和类内紧凑性,然后将现有的基于判别型或基于聚类型图像分割方法在重塑图像上执行,从而提高了现有图像分割算法的有效性和鲁棒性。文中用典型的聚类型方法高斯混合模型来说明该框架的可行性。由于框架的两个步骤具有独立性．因此可推广到现有的其他基于像素或直方图的方法。在人工和真实图像上的实验结果证明,这种两步图像分割框架可以获得有效且鲁棒的图像分割结果。     

判别性正则化:一种新颖的分类器学习方法(英文)

提出了一种新颖的正则化方法-判别性正则化(Discriminative regularization,DR),为分类提供了一种通用的结合样本先验信息的方式.通过将先验信息引入到正则化项中,DR不但使分类器实际输出与期望输出之间的经验损失达到最小, 而且能在输出空间中同时最大化类间散性与最小化类内紧性.此外,通过将等式约束嵌入到目标函数中,DR的求解还可转化为解线性方程组问题,从而得到全局解析解.分类实验验证了DR的优越性.