多种转发干扰下的脉内脉间波形综合优化设计

复杂电磁场景中多种转发干扰并存, 严重影响了雷达的探测效果, 而传统的波形设计方法多针对一种特定的干扰样式进行分析, 面对多种干扰时对抗效果有限。针对此问题, 对脉内线性调频相位编码脉间频率捷变波形进行了综合优化设计。首先, 在分析脉内脉间多种转发式干扰样式的基础上, 兼顾转发干扰与波形本身特性进行代价函数设计。之后, 利用遗传模拟退火算法优化波形参数, 具有良好的抗干扰效果。最终, 数值仿真实验验证了所设计波形的有效性。     

坐标并行注意力下密集空洞卷积的脉络膜分割

脉络膜的变化与很多眼科疾病密切相关。医生在诊断过程中常需要手动分割光学断层扫描图像(Optical Coherence Tomography, OCT)中的脉络膜，再定量分析脉络膜健康状况，但人工分割费时费力。脉络膜自动分割难点在于OCT图像中脉络膜下边界模糊，很难捕捉上下文信息，并且脉络膜结构跟视网膜结构比较类似，容易混淆。为了解决该难点，本文提出了融合坐标并行注意力模块和密集空洞卷积模块的残差编解码模型；设计了一种桥结构，包含了注意力机制和空洞卷积，在增加模型感受野的同时抑制浅层噪声；同时为了使模型关注脉络膜结构信息，引入了一种包含结构相似性的混合损失函数来训练模型。实验结果表明，该模型能有效提升对脉络膜的分割精度，在OCT脉络膜数据集上，Dice系数和Jaccard相似度达到了97.63%和95.28%。     

面向复杂场景的基于改进YOLOXs的安全帽检测算法

在工业生产过程中，安全帽是生产工人重要的安全保护工具.针对现有安全帽检测算法在复杂应用场景下对小目标、密集目标以及遮挡目标存在漏检、检测精度较低等问题，提出了一种基于YOLOX＿s的改进算法.首先，通过改进YOLOX＿s算法的模型结构，在原有网络结构的基础上新设立了一个预测特征层，其尺寸为160×160,该预测特征层通过将高层语义信息和低层传递的位置信息进行有效融合来预测小目标；其次，针对复杂的安全帽检测环境，将obj＿loss的BCE＿Loss改为Focal＿Loss,即用Focal＿Loss来训练obj分支来降低漏检；最后，将CSP1＿X中的残差块改为shuffleNet基本单元以缩减参数量.改进后的算法mAP和recall分别提高了1.25%和2.32%,参数量缩减为3.61MB.改进后的算法有效降低了复杂环境下安全帽的漏检率和提高了检测精度，对实际生产过程中保障企业和工人的生命财产安全起到了一定的促进作用.     

稳定增强生成对抗网络在壁画的超分辨率重建

针对古代壁画分辨率低、纹理细节模糊不清导致壁画观赏性不足和研究价值不高的问题，提出了一种稳定增强生成对抗网络的超分辨率重建算法（stable enhanced super-resolution generative adversarial networks, SESRGAN）。以生成对抗网络为基础框架，生成网络采用密集残差块提取壁画特征，使用VGG（visual geometry group）网络作为判别网络的基本框架判断输入壁画的真假，引入感知损失、内容损失和惩罚损失三个损失共同优化模型。实验结果表明，与其他相关的超分辨率算法进行比较，峰值信噪比平均提高了0.4~2.62 dB，结构相似性提高了0.013~0.027，主观感知评估也有提高。     

基于流量预测的资源分配策略研究

在超密集网络中，针对小基站密集部署会导致干扰加剧和资源分配难度加大等问题，提出了一种基于流量预测和着色图的信道资源分配方案。首先，利用深度学习工具实现对网络中未来时隙的流量预测；其次，将不相邻的小基站分配到同一集群以缓减网络中的共道干扰；最后，结合流量预测的结果和着色图为每个小基站分配合适的子信道。通过仿真验证了所提算法的可行性和有效性。结果表明，通过机器学习能够有效预测小基站的流量波动，同时基于流量预测的信道分配方案可以有效降低系统干扰、提升频谱利用率和系统吞吐量。     

GPR图像的数据集构建及其DRDU-Net去噪算法

为了解决生成对抗网络（Generative Adversarial Network,GAN）在生成探地雷达（Ground Penetrating Radar,GPR）图像时存在训练不稳定的问题,提出利用带有梯度惩罚的Wasserstein距离生成对抗网络（WGAN-GP）生成GPR图像,并结合时域有限差分法和实地采集图像提出了一种构建GPR图像数据集的方法.相较于原始GAN与Wasserstein GAN等方法,WGAN-GP具有更好的稳定性,而且生成的GPR图像更接近真实图像.在此基础之上,将密集残差块和U-Net相结合提出了一种适合于GPR图像的密集残差去噪U-Net方法.该方法利用U-Net中编码-解码结构提高了GPR图像的去噪性能;同时,密集残差块的引入加强了GPR图像的特征复用,且使U-Net训练更加稳定.最后,利用仿真实验验证了所提去噪方法的性能,并与三维块匹配（BM3D）和U-Net方法进行了对比.结果表明：所提方法与BM3D以及U-Net去噪方法相比,具有更好的去噪效果.当σ等于20时,在模拟和实测数据上取平均值,其峰值信噪比分别提升了约6.5 dB和2.4 dB;结构相似性分别提升了约0.09和0.04.     

基于密集连接的高分辨率遥感图像分类

高分辨率遥感图像分类是当前一个研究热点，基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域，但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构，将Deeplab的空洞卷积金字塔结构替换成密集连接结构，以提高信息利用率且增强模型的泛化能力，并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明，Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点，验证了本模型的有效性。     

密集颗粒流靶流动性的研究现状及展望

高功率散裂靶作为强中子源，在核嬗变、核合成及材料研究等方面具有重要的应用价值。密集颗粒流靶兼具固体靶和液态靶的优点，被认为是未来高功率靶领域最具前景的候选方案之一。本文首先回顾了密集颗粒流靶概念的提出和发展；然后综述了靶设计中关于流动性的几个关键问题，包括束靶耦合算法的建立和优化、颗粒材料和流动特性预测算法的探索，以及整体流量和局部流场的优化；最后展望了密集颗粒流在高功率靶研究中的未来方向。     

基于注意力密集连接Unet的磁瓦表面孔洞和裂痕缺陷分割算法

针对检测磁瓦孔洞和裂痕时容易丢失缺陷特征等问题，本文在Unet网络的基础上添加注意力模块CBAM来提取更受关注的特征，并在Unet网络的编码部分使用密集连接来充分利用特征.同时，为了减少Unet网络的过多池化下采样操作导致小物体特征消失，还使用膨胀率为[1,2,5,1,2,5]的混合空洞卷积取代池化操作.最后设置加权交叉熵损失函数解决磁瓦数据集当中样本分布不均的问题.实验证明，本文算法在磁瓦孔洞和裂痕缺陷分割时，MIoU分别提高了2.696%和2.739%,Dice系数分别提高了3.342%和2.602%.本文算法在一定程度上提升了磁瓦缺陷分割精确度，还改善了Unet网络边界分割模糊等问题.