基于TDOA的卫星干扰源定位方法的研究

针对到达时间差/到达频率差（time difference of arrival /frequency difference of arrival,TDOA/FDOA）卫星干扰源定位系统中卫星速度难以准确预测,导致定位精度不高,尤其是在参考站数量较少时,定位误差较大的问题,提出了采用TDOA方法实现高精度单参考站卫星干扰源定位。研究了TDOA卫星干扰源定位原理,建立了定位数学模型,采用信赖域算法计算干扰源的位置,进行了定位方法实验验证,分析了定位误差。通过对实测卫星信号的定位试验,证实了该定位方法在单参考站条件下显著提高卫星干扰源定位精度的有效性。     

推广敏感性问题研究

设X是一个至少包含两个点的紧致度量空间f：X→X为从X到自身的连续映射。引入全最大敏感的概念（简记为TMS）并且证明f是弱混合当且仅当它是TMS。特别地，通过反例证明了2-敏感不蕴涵3-敏感。     

尺寸效应对纳米银杆拉伸力学特性的影响

采用分子动力学方法研究了圆柱纳米银杆沿[001]晶向单向拉伸时的力学特性，纳米银杆拉伸时所表现出的特性与其宏观特性基本一致．拉伸过程分为弹性变形和塑性延展2个阶段：在弹性变形阶段，应力随应变的增大呈线性增大；在塑性延展阶段，应力则表现出反复振荡，系统由一种结构经错动、滑移演化为另一种结构，是造成此种现象的一个重要原因．研究结果表明，随纳米银杆整体尺寸的增大，纳米杆的弹性模量增大、弹性极限应力减小，并都随整体尺寸的增大而趋于宏观值．随着纳米杆单方向的减小，纳米银杆的弹性模量和弹性极限应力均有不同程度的增加，并不随单方向的增加表现出趋于宏观值的一致规律．     

细胞核迁移相关蛋白的研究进展

细胞核迁移是一种细胞核向细胞中特定位点移动的非随机现象, 对于生长、分裂以及发育等正常细胞活动至关重要. 大量研究表明, 这一过程涉及细胞骨架、分子马达和其他相关蛋白. 虽然在高等生物尤其是高等植物中的研究才刚刚起步,但是在酵母和丝状真菌中对于这些相关蛋白的研究已经很深入.     

基于学习策略的遗传算法在最优潮流中的应用

最优潮流问题是电力系统中一个重要的问题,从数学角度上讲,它是一个非线性规划问题。提出了一种基于学习策略的遗传算法用于解决最优潮流问题。学习策略使得种群中的普通个体可以向优良个体学习其优秀的基因结构,从而提高了个体的适应度,加快了算法的寻优速度,增强了算法的搜索能力。该算法中还采用排挤策略来避免个体的过度拥挤,增强了算法的全局搜索能力。通过算例验证了算法的可行性和有效性。     

分数阶混沌系统有限时间稳定性分析及同步控制

研究了分数阶混沌系统有限时间稳定性及其同步控制,基于Lyapunov分数阶稳定性理论提出了针对一类非线性分数阶混沌系统有限时间稳定的判定方法,与现有的结果相比其更具有一般性。应用该方法设计了同步控制器,在满足系统所有变量有界的情况下实现了驱动系统和响应系统的异结构有限时间同步。数值仿真结果进一步验证了该方法的有效性。     

库水位变化时陡倾软弱顺层岩质滑坡变形机制

研究库水位动态变化时陡倾软弱顺层岩质滑坡的变形机制,为库岸滑坡防治及库水调度提供帮助。以四川省大渡河某水电站开顶滑坡为例,通过野外调查资料、库水位及地面监测数据综合分析,研究滑坡结构及变形破坏特征;建立二维地质模型,利用离散元模拟蓄水前后陡倾顺层岩质滑坡变形响应过程,结合有限元进一步分析库水作用下岸坡稳定性变化规律。研究结果表明,岸坡特殊的地质构造和岩性是控制滑坡产生的主要因素,水库蓄水诱发了滑坡的变形,库水位变化进一步加速了变形进程。当库水位以4.8 m/d、3.84 m/d、1.92 m/d的速率上升时,坡体稳定性呈现先增后减的趋势;当以小于0.5 m/d的速率下降时,岸坡变形不明显,但稳定性急剧降低,极有可能增加变形速率,加剧变形,导致大范围失稳破坏。在水库调度过程中,为避免渗流作用对岸坡稳定性的影响,库水位变化应保持在较小的速率平稳运行。     

基于Softmax函数增强卷积神经网络-双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,就需要准确识别和判断交通状态。该文没有采用传统的以车辆速度为基准的预测方法,而是使用TTI交通拥堵系数,该系数的计算基于道路自身的自由流速度,可以让具有不同速度等级的街道都统一到TTI系数上来作为拥堵评价,因此相较以传统的车辆速度为基准的预测方法更能表现出道路的拥堵状态。该文提出了一种改进的深度学习预测模型（CS-BiLSTM）,该模型基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）,并结合Softmax函数增强CNN提取出的交通空间特征信息。深度学习预测模型（CS-BiLSTM）中的S代表的就是Softmax的缩写。使用成都市出租车GPS数据进行验证,结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比C-BiLSTM网络预测框架提升了13%。     

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。提出了一种长短期记忆(LSTM, long short-term memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR, interferometric synthetic aperture radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR, multi-temporal interferometric synthetic aperture radar)技术对2018—2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测,然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型,最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明,瀑布沟水电站最大沉降速率达到-34 mm/a, LSTM预测模型训练和测试过程中点尺度的均方根误差(root mean squared error, RMSE)和绝对误差平均值(mean absolute error, MAE)最小值分别为2.343 mm和2.010 mm,...     

循环分层解耦卷积和最大滤波的三维脑肿瘤图像分割

由于脑肿瘤的大小和形状呈不规则状态,从三维磁共振图像中自动分割脑肿瘤是一项具有挑战性的任务．而目前的方法存在两个问题：基于3D建模的方法参数量较大难以训练而且全局或远距离上、下文信息的关联性不足;模型忽略局部区域细节特征使得分割结果边界模糊．为解决上述问题,本文提出了循环分层解耦卷积和最大滤波(recurrent hierarchical-decoupled convolution and maximum filtering,RHMF)的轻量网络实现三维脑肿瘤图像分割．该网络在特征提取阶段提出循环分层解耦卷积取代标准卷积,减少参数利用多时域的反馈信息建立全局上、下文信息关联．引入改进的多尺度策略对不同尺度下的多层次特征进行提取融合,提高网络的目标识别能力．在定位阶段做局部域细节处理,提出了最大滤波模块激活目标区域像素实现特征图的像素级定位,增强目标区域像素与其他区域像素的区别,进一步细化分割,解决边界模糊问题．在BraTS2020数据集上的实验结果表明,RHMF-Net在增强肿瘤区、整体肿瘤区和核心肿瘤区的平均Dice系数值分别为77.23%、90.01%和83.10%,参数量为0.4...