电磁场位相算符的研究

分析了电磁场真空态性质,指出在量子电场中讨论真空电磁场的位相是无意义的.对任一量子态｜Ψ＞,我们引入投影算符∧＝｜0＞＜0｜后,电磁场算符是么正的.     

回转体轴测形态图计算理论和方法

以光滑曲面立体和逐片光滑曲面立体的视觉事件类型为基础， 轴测投影下投影球的划分，研究了棱线多于两条和具有顶点的回转体特有的视觉事件，即三条棱线之间的三重点型和相切交叉型以及顶点和轮廓曲线之间的多重视觉事件。     

基板负偏压对铜基体磁控溅射离子镀铝膜相组成的影响

本文主要论述基板员偏压与铜基体磁控溅射离子镀铝膜的关系。磁控溅射离子镀 铝膜不是简单的单质外接铝膜，而是铜和铝组成的合金膜。膜的相组成主要是由基板 负偏压所决定的。在一定的实验条件下，每一种铜－铝合金相的出现都有一临界负偏压 与之对应．     

漂浮基空间机器人固定时间收敛主动容错控制

针对载体位置不控、姿态受控的空间机器人存在执行机构存在失效及偏置故障的轨迹跟踪问题,设计了基于固定时间收敛的主动容错滑模控制算法。首先结合拉格朗日法推导出了包含力矩偏置及力矩失效故障的空间机器人系统动力学方程;其次,为消除故障对系统稳定性的影响,引入扩张状态观测器,以实现对故障的动态观测,并在此基础上设计基于固定时间收敛滑模控制器以实现主动容错控制。所提方法具备收敛时间与系统初始状态无关,仅需调节控制参数即可保证系统轨迹在固定时间内收敛的优点。最后通过仿真验算,仿真结果表明所提算法能对故障进行精确观测并在失效故障和偏置故障发生条件下保证系统轨迹精确跟踪及稳定控制,同时相较于其他算法所提算法收敛时间更短,稳态误差更小以及拥有出色的故障观测能力和更强的容错控制能力。     

基于协方差矩阵重构和导向矢量优化的波束形成算法

针对传统波束形成算法在导向矢量失配和协方差矩阵误差情况下输出信干噪比下降严重的问题,提出了一种基于协方差矩阵重构和导向矢量优化的稳健自适应波束形成算法。该算法通过估计信号和干扰的功率及方向,重构干扰加噪声协方差矩阵,同时结合投影和空域积分思想,对假定的导向矢量进行优化计算,使其接近真实的导向矢量。进而通过相关运算求得复数加权值实现波束形成。所提算法可以有效抑制干扰,提高输出信干噪比。在多种失配存在的情况下,所提算法也具有较好的性能。研究共进行了6个仿真实验,所提算法性能均优于所对比算法。所提算法在快拍数固定且存在导向矢量失配的情况下,相比于最差情况性能最优算法有约5 dB的输出信干噪比提升。在信噪比固定且存在导向矢量失配的情况下,相比于对比算法均有4 dB以上的性能提升。实验结果验证了所提算法的有效性。     

基于改进灰色关联投影法的无人机避让优先运行策略

针对未来混合空域中多种航空器共同执行任务而可能出现飞行避让安全问题,提出了一种基于组合赋权改进灰色关联投影法的无人机避让优先运行策略。首先,从空域管理、航空法规、风险评估等角度分析影响避让过程的因素,构建无人机避让评价指标体系;其次,利用层次分析法和粗糙熵法进行主客观赋权,由合作博弈方法构建离差和最小目标优化函数将主客观权重融合确定最终权重,克服主观赋权随意性和客观赋权过分依赖数据的弊端;随后,利用优劣解距离法(TOPSIS)与灰色关联投影法的融合算法对无人机避让对象进行综合评价,从而获取无人机优先避让运行策略;最后,将融合算法与TOPSIS算法进行对比。结果表明,较于TOPSIS法,所提融合算法获取策略与空域运行实践相符且灵敏度提高了17.08%。因此,新算法避免了单一算法的数据丢失现象,提高了获取策略的准确性,可为混合空域的无人机运行策略获取提供新思路。     

一种深度学习网络的树木点云骨架重建方法

基于激光雷达(Light Detection And Ranging, LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数是精准林业发展的必然趋势。本研究面向激光点云提出了一种融合基于晶格投影的深度学习网络,以及面向提取的枝干点云的树木模型骨架重建的方法。该深度学习网络包括旋转不变性模块、晶格投影与重心插值模块,多尺度变换与卷积操作层,通过将旋转变换后的点云晶格投影到三个坐标平面上再分别重心插值获得变换系数,解决了三维点云因排列无序而造成空间卷积困难的问题。以海南多类树木为研究对象,首先,把带枝叶标签的林木点云基团带入构造的深度学习网络中训练网络参数,实现测试样本中的林木数据的枝叶分离。其次,对分类后的树木枝干点云垂直分层并空间聚类,获取每层的聚类中心点并按相邻层中心点距离最小原则实现骨架链表构造,同时采用自适应随机抽样一致（random sample consensus,RANSAC ）方法来计算的圆柱体拟合半径,以重建树木的各级枝干。最后,根据中心点连通的链表结构以及角度变化最小准则自动识别树木中的主枝干和各个一级分枝。通过与实测数据比对验证表明,深度学习枝叶分类准确率为91.31%,高于传统的机器学习分类方法7%左右。算法得到的橡胶树一级枝干直径与实测值比对为：决定系数（coefficient of determination, R2）=0.92, 均方根误差（root mean square error, RMSE）=0.64cm, 相对均方根误差（relative root mean square error, rRMSE）=6.39% ;相应的一级枝干与主枝干的分枝角与实测值比对为：R2=0.91, RMSE=3.32°, rRMSE=7.81%。本研究设计了深度学习网络与计算机图形学的算法快速精准从地基点云中重建树木的骨架模型,精度吻合实际测量值,具有一定推广价值。     

面向残差网络多元特征的轻量级虹膜分类

针对传统虹膜分类需手工设计滤波器提取虹膜特征, 提取特征单一, 且通常需大量手工调参, 泛化能力较差的问题, 提出一种面向残差网络下多元特征的虹膜分类算法. 一方面将虹膜图像与Gabor特征相结合, 另一方面在网络结构中使用多个尺度的卷积核, 使学习到的虹膜特征更丰富, 从而提高图像特征的表征能力. 实验结果表明, 在固定类别中, 使用Softmax分类器进行多分类, 该算法在JLU虹膜数据库中的分类准确率可稳定在98.90%以上, 不低于DeepIrisNet和Resnet等网络结构, 且该算法的网络结构参数更少, 学习速度更快.     

Hilbert K-子模上框架的(强)可补性

引入了Hilbert K-子模上框架的框架变换和正交投影,重新定义了Hilbert K-模上的Hilbert 基,(强)可补,直和的内积等概念,通过探讨框架变换和正交投影之间的关系,研究了Hilbert K-子模上框架的(强)可补性,得到了一些重要结论,并加以推广.