(3+1)维Korteweg-de Vries (KdV)方程的高阶怪波解和多波浪解

基于Hirota双线性形式，一个新的（3+1）维Korteweg-de Vries（KdV）方程的高阶怪波解和多波浪解被得到.通过作图，更直观地展示和讨论了高阶怪波解和多波浪解的动力学性质.     

波动方程在半无穷柱体和外部区域上的空间爆破和衰减性

利用能量分析的方法, 首先考虑定义在三维半无穷柱体上的波动方程, 当空间变量趋于无穷时, 证明其解或者指数式增长或者指数式衰减; 其次, 考虑定义在球面外部区域上的波动方程, 证明其解随半径的二择一结果； 最后, 证明对于非线性弹性方程, 二择性定理仍有效.     

时间非均匀介质中两种群竞争格点系统的广义行波

考虑一般时间非均匀介质中两种群竞争格点系统广义行波的存在性和不存在性问题, 通过建立相关合作系统上下解的比较原理, 并构造其合适的上下解, 证明了当下平均速度大于一个确定的阈值时, 该系统广义行波存在, 并且不存在下平均速度小于此阈值的广义行波.     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

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%。     

2018年天文学热点回眸

 天文学是一门以观测为基础的学科，其发展主要依靠观测和数据的支持。基于SAO/NASA Astrophysics Data System天文物理学数据系统中高被引文章并结合热点新闻报道，回顾了2018年天文学热点的进展和发现，以观测和基础研究、仪器研制及工具开发两大方面论述了2018年天文学研究热点。     

基于遗传算法的频谱池ICI 优化算法

为优化基于小波的频谱池系统中的载波间干扰( ICI: Inter-Carrier Interference) ，提出了一种基于遗传算法的载波间干扰优化方案。采用遗传算法获得最佳权重向量，抑制认知用户子载波干扰能量。该算法可在不牺牲认知用户带宽的条件下，优化认知用户载波干扰能量。仿真结果表明，在满足认知用户目标误码率条件下，明显抑制影响授权用户的载波间干扰，使授权用户获得更好的误码率性能。     

基于Sinc插值与相关谱的纵横波速度比扫描方法

在多分量地震技术中，准确地求取出纵、横波速比（γ）是多分量资料处理、反演、解释各环节中的一个重要步骤。由于地下同一层位具有相同的波阻抗比，因此该层位的反射纵波和反射转换波相互关联，纵横波速比与时间比存在相互转化关系。基于Sinc插值算法与相关系数谱分析的纵横波速比扫描方法是通过设置一系列γ，利用Sinc插值算法将纵波拉伸后与转换波进行互相关，当互相关系数达到最大时即可求出相应的γ。理论数据和实际资料的测试，验证了该方法的有效性、准确性和实用性。     

非线性弹性杆波动方程的精确解

通过假设2个非线性弹性杆波动方程的行波解,得到其常微分方程,运用Exp函数法,并借助Mathematica软件,获得了这2个非线性弹性杆波动方程的精确解.     

基于卷积神经网络和稀疏滤波的调制识别方法

针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。