原位生成NbC增强YCF102熔覆层热力学与耐磨性研究

熔覆层性能难以满足特定的工艺要求，已成为限制激光熔覆发展的关键因素之一.鉴于此，在45号钢基体上制备出原位生成NbC增强YCF102熔覆层，并进行了热力学分析.通过XRD，SEM和EDS对其微观形貌及组成成分进行了分析，对其显微硬度及耐磨性进行了研究.结果表明:激光功率的改变对激光熔覆过程中原位反应的反应程度有显著影响，过大或者过小的激光功率均会对原位反应的发生起到抑制作用;YCF102熔覆层中原位生成的NbC颗粒的主要形态为四边形和花瓣形;当激光功率为525W时，原位生成NbC增强YCF102熔覆层具有较高的显微硬度及良好的耐磨性.     

两个新的q级数展开式

利用拉马努金西塔函数，建立两个新无穷乘积系数子列的生成函数，并且得到这两个无穷乘积系数的符号是以5为周期的。     

国产计算机的环境适应能力优化与可靠性提升研究

以国产计算机(龙芯3A3000+7A1000)为研究对象,分析其基于车载环境计算资源受限情况下的环境适应能力,通过压力测试和可靠性摸底实验进行验证与改进,采用冒烟测试获取计算机平台的环境适应阈值,并提出计算环境适应能力优化与可靠性提升的解决方案.     

进攻战斗电子对抗兵力需求的三层规划模型

为解决电子对抗兵力需求的作战预测问题, 估测合同战斗中不同作战阶段的兵力数量需求, 提升指挥作战效率与效果, 提出一种基于三层规划的电子对抗兵力需求模型。首先, 在详细分析陆上战术进攻战斗中电子对抗作战方式的基础上, 提出电子对抗规范交战模式。其次, 根据作战方式和作战阶段划分，建立电子对抗兵力需求的三层规划模型。然后，在使用模糊隶属度量化模型变量的基础上引入满意度函数算子, 通过遗传算法求解出各层最优满意度, 进而得到最优兵力需求。最后，通过算例仿真, 得到3个不同作战阶段电子对抗的最优兵力需求, 并通过与3种多层规划求解算法的对比, 表明了所提算法的适用性和结果收敛的高效性。     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

混合式教学在计算机组成原理课程中的应用研究

针对传统教学模式中存在的问题,对计算机组成原理课程进行了教学方法改革.借鉴了翻转课堂的教学理念,采用线上线下相结合的混合式教学模式,基于微课等丰富的线上资源设置不同的学习任务,改进课堂教学方法,突出师生互动和生生交流,从而激发了学生学习兴趣,改善了教学效果.     

大气硝酸盐中氧同位素异常研究进展

硝酸盐是大气中的主要污染物,其前体物NO_x(NO+NO_2)参与大气中多种光化学反应,可以改变大气氧化特性,有利于细颗粒物的形成,影响气候系统与人类健康.硝酸盐氧同位素异常(Δ~(17)NO_3~-)是解析大气硝酸盐生成途径的有力手段.本文对大气硝酸盐氧同位素异常的研究进展进行了综述.首先列举了测试大气硝酸盐三氧同位素(~(16)O, ~(17)O和~(18)O)的前处理方法(热解法、细菌法和化学法),并对比了全球范围内大气硝酸盐氧同位素异常的时空分布特征.其次总结了大气中硝酸盐生成的主要途径及其氧同位素质量守恒,讨论了大气硝酸盐中氧原子的可能来源及其氧同位素异常值,评估了全球及典型区域尺度上氧同位素异常的模型.最后对大气硝酸盐氧同位素异常的未来研究方向进行了展望.     

基于GAN的通信干扰波形生成技术

现有通信干扰方法, 通常基于通信侦察中获取的目标信号特征进行干扰决策, 选取合适的干扰波形实施干扰, 难以应对目标信号特征未知或参数动态变化的情况。为此, 提出一种基于生成对抗网络(generative adversarial networks, GAN)的通信干扰波形生成技术, 运用GAN直接提取目标信号的潜在特征, 并生成与目标信号特征相似的干扰波形。在介绍GAN原理的基础上, 首先设计网络模型, 并对学习率进行优化, 使GAN更适用于时间序列通信干扰波形的生成。然后通过对不同类型和参数的通信信号进行干扰波形生成实验, 验证了该技术的泛化性。最后进行干扰效果对比试验, 结果表明, GAN生成的干扰波形干扰效果能够逼近最佳干扰效果。     

基于形态结构特征的对流单体自动分割方法研究

风暴单体是形成各类强对流灾害天气的基本单元,它们的雷达回波形状复杂、内部分布不一、外层相互交织,从而造成单体分割困难.提出了一种基于形态结构特征的对流单体自动迭代分割方法.以雷达图片中区域树结构单体分割结果为初始输入,在每次迭代分割过程中,首先计算各个分割结果的3个形态结构特征,然后通过一个预先训练的支持向量机(Support Vector Machine,SVM)分类器判断分割结果是否为对流单体,对非单体的分割结果进行再次分割.通过3种不同类型的风暴案例进行测试,结果表明,本文方法能够有效地识别出聚集的单体和处于分裂/合并状态的单体,并且能够获得单体的完整结构.在定量评估测试中,本文算法获得了0.84的临界成功指数评分,高于传统的风暴单体识别与跟踪算法(Storm Cell Identification and Tracking,SCIT)方法(0.55)和单阈值方法(0.49).     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。