基于自适应形态学的跳频信号参数联合盲估计

跳频通信的应用大大提高了军事装备的抗干扰和抗截获能力，使得跳频对抗技术面临严峻的挑战。为解决传统形态学跳频信号参数估计方法中结构元素选择困难问题并提高估计精度，提出了一种基于自适应形态学的跳频信号参数联合盲估计方法。首先，对跳频信号进行短时傅里叶变换获取谱图。然后，从其时间轴投影中获取结构元素尺寸的知识, 设计自适应形态学滤波器抑制谱图噪声, 提取跳频图案初步估计跳频参数。最后, 引入最小二乘估计方法, 对跳频周期和跳变时刻进行精估计。仿真结果表明，此方法能够同时估计出跳频频率、跳频周期和跳变时刻, 不需要其中某一种参数作为先验条件, 在复杂的通信环境也能够保持良好的估计性能。     

三维AoA目标跟踪的二次约束卡尔曼滤波算法

在基于到达角(angle of arrival, AoA)的三维目标跟踪中, 伪线性卡尔曼滤波具有稳定性高和计算复杂度低的优点, 但是严重的偏差问题使其跟踪精度迅速下降。针对该问题, 提出一种二次约束卡尔曼滤波(quadratic constraint Kalman filter, QCKF)算法。首先引入涉及所有观测噪声项的增广矩阵, 然后建立与线性卡尔曼滤波等价的目标函数并且附加含有二次项的约束条件, 以此降低偏差影响, 实现更准确的状态更新。QCKF算法采用广义特征值分解求解约束优化问题, 无法直接通过状态更新表达式推导其协方差矩阵, 因此利用约束条件以及矩阵扰动方法完成协方差矩阵更新。仿真分析表明, QCKF算法相较于其他非线性滤波算法具有更优的跟踪性能, 不仅在低噪声条件下可达到后验克拉美罗下界, 而且当噪声严重时能够显著降低跟踪误差, 并且计算开销不高。     

SAR image de-noising via grouping-based PCA and guided filter

A novel synthetic aperture radar(SAR)image de-noising method based on the local pixel grouping(LPG)principal component analysis(PCA)and guided filter is proposed.This method contains two steps.In the first step,we process the noisy image by coarse filters,which can suppress the speckle effectively.The original SAR image is transformed into the additive noise model by logarithmic transform with deviation correction.Then,we use the pixel and its nearest neighbors as a vector to select training samples from the local window by LPG based on the block similar matching.The LPG method ensures that only the similar sample patches are used in the local statistical calculation of PCA transform estimation,so that the local features of the image can be well preserved after coefficients shrinkage in the PCA domain.In the second step,we do the guided filtering which can effectively eliminate small artifacts left over from the coarse filtering.Experimental results of simulated and real SAR images show that the proposed method outstrips the state-of-the-art image de-noising methods in the peak signalto-noise ratio(PSNR),the structural similarity(SSIM)index and the equivalent number of looks(ENLs),and is of perceived image quality.     

分布式声传感器井中背景噪声统计特性分析

分布式声传感器技术(DAS: Distributed Acoustic Sensor)是一种新近提出的高精度勘探数据采集方法,受制于复杂背景噪声的影响,DAS记录处理水平有待进一步提高.针对上述问题,采用基于替代序列的时间序列平稳性检验方法和Lilliefors检验法对DAS记录中复杂背景噪声的平稳性和高斯性进行研究.用以分析的实际地震数据是按照勘探工业要求采集的井中DAS记录.研究结果表明,DAS背景噪声是非平稳、非高斯随机过程且噪声特性随记录时长发生变化.相关研究成果实现了针对DAS背景噪声特性的可靠认知,对提高DAS记录处理水平具有重要参考价值.     

数字经济中基于察觉-动机-能力模型的创新扩散机制

数字经济时代下,创新扩散的模式和机制正随着经济环境的变化发生重大变化。鉴于此,本文对数字经济中的创新归纳出信息数字化、组织网络化、用户参与化等特征,基于察觉-动机-能力分析模型对创新的扩散机制进行过程建模,并基于多智能体仿真分析创新扩散。仿真结果表明,随着信息数字化的发展,创新扩散的网络分布不均匀性增加,引起信息资源高效配置和创新扩散的快速迭代;组织网络化带来产业组织在多个层面的集聚,拉近了企业之间的创新距离;用户参与化使得消费者成为创新的贡献者,增加了创新参与者的数量,企业也因此能够更为精确地捕捉用户需求。数字创新中的三种效应共同作用,改善了技术扩散的速率和规模。     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

高纯锗探测器应用于稀有事例探测的研究进展

高纯锗探测器（HPGe）对于低本底稀有事例探测的发展具有重要的意义．本文介绍了HPGe的工作原理及其制备工艺，分析了对探测器起关键作用的钝化层和死层部分，并讨论了降低本底的关键技术．对于HPGe应用于包括暗物质探测和无中微子双贝塔衰变的稀有事例探测实验的进展，重点介绍了应用HPGe的CDEX、SuperCDMS、GERDA、MAJORANA等国际领先的稀有事例探测合作组相关实验技术和物理进展，进一步分析了HPGe用于下阶段国际稀有事例探测的发展方向．      

还原氧化石墨烯/聚亚甲基蓝复合物修饰电极用于丙烯酰胺检测（英文）

丙烯酰胺作为食品热加工处理的产物，具有生殖毒性、神经毒性和致癌性。文章应用电化学工作站的三电极体系，通过同时进行氧化石墨烯的电化学还原和亚甲基蓝的氧化，在玻碳电极表面合成了还原氧化石墨烯/聚亚甲基蓝（RGO/PMB）复合物，构建了用于丙烯酰胺灵敏检测的电化学传感器。在最优的实验条件下，该传感器对丙烯酰胺的检测限可达1.67×10^-9mol/L，检测范围为5×10^-9mol/L～2.5×10^-5 mol/L。实验结果表明该传感器具有良好的选择性、稳定性和重现性，并且可用于实际薯片样品中丙烯酰胺含量的测定。     

综合化学实验设计:单/双核铜配合物的温度控制合成、表征及转化

化学类专业本科生在理论课学习中，对反应的热力学产物和动力学产物有了一定的理论认识，但目前鲜有实验能够使其直观体会2种产物在制备时的差异．本实验以氯化铜和邻氨基苯甲酰胺为原料，水和乙醇为溶剂，通过仅改变反应温度，分别在60 ℃水浴加热和冰水浴冷却条件下得到了红色的热力学产物二(μ-氯)·二[氯·(邻氨基苯甲酰胺)合铜(Ⅱ)] ( 1 )和黄绿色的动力学产物二氯·二(邻氨基苯甲酰胺)合铜(Ⅱ) ( 2 )，产率分别为80.4%和76.4%．采用络合滴定法和仪器分析方法对产物进行了表征测试，结果表明在不同温度下可制备2种不同组成、结构和性质的热力学和动力学产物，且在加热条件下，配合物 2 可以转化为配合物 1 ．本设计为化学类相关专业本科生综合实验教学提供了一个成功案例，可加深学生对结构与性能的科学关联以及构效关系的认识和理解．      

联合卫星定位和测量机器人的超高层建造过程水平位移监测

在超高层建筑建造过程中,常用测量机器人监测中间楼层的监测点的变形。削弱建筑晃动影响对于监测结果的稳定性至关重要。为此,首先提出一种利用楼顶卫星接收机测量建筑晃动情况,通过内插得到中间楼层瞬时晃动影响的方法,并通过实验验证该方法的有效性。在此基础上,利用该方法对多期监测数据进行处理,结果表明该方法可获得更加稳定的监测结果。将处理结果与有限元分析的结果进行比较,结果表明使用该方法后监测结果与有限元分析的结果吻合度较高。