低频UWBR的辐射校准

针对高频窄带系统的常规雷达辐射校准技术不能适用于低频超宽带雷达系统。根据低频超宽带雷达系统特点,采用矩量法和渐进波形估计技术,建立定标体的低频宽带散射模型,给出辐射校准函数,实现对UWBR的辐射校准。最后结合低频UWB合成孔径雷达系统,进行计算机仿真试验,证明这种方法的有效性。     

雷达目标高分辨距离像的特征提取及识别方法

本文首先应用ＴＬＳ－ＥＳＰＲＩＴ算法提取光学区高分辨雷达目标散射中心位置信息,并提出了“基于散射中心位置的相关匹配”目标识别算法,而后,证明了该算法相关匹配系数与所选择的基底无关以及算法的稳定性问题。最后,给出了五种飞机缩比模型的实验结果。     

结合多视角学习与一致性表征的人脸伪造检测

现有的人脸伪造检测方法通常在已知域上表现较好,但面临过拟合的风险,在应对未知场景时无法保持良好的检测能力。为解决此问题,提出一种结合多视角学习与一致性表征的人脸伪造检测框架。为捕获更全面的伪造痕迹,将输入图像转换为两种互补视角并采用双流骨干网络进行多视角特征学习。引入一致性度量,以补丁级监督的方式明确约束不同视角输出的局部特征的相似度。为提高检测精度,采用特征分解策略进一步优化伪造特征,减少不相关因素的干扰,并以伪造特征空间的决策作为最终的预测结果。在基准数据集上进行的大量实验表明,所提出的方法优于现有的主流模型,具备良好的跨域泛化能力。     

基于方位特征序列的地雷鉴别算法

在使用低频超宽带合成孔径雷达(UWB-SAR)对地雷进行探测的过程中,根据目标电磁散射随方位角和入射角的变化特性,提出一种利用双峰间距和频率凹点特征沿方位向变化的隐马尔科夫模型(HMM)鉴别算法。该算法首先针对目标感兴趣区域(ROI)图像估计其各方位回波响应,然后利用时频原子提取时域双峰间距和频率凹点,进而得到随方位角变化的特征序列,再通过SAR工作时方位角和入射角的变化特点以及训练样本确定HMM参数,并在此基础上计算疑似目标新的特征矢量,采用马氏距离进行判别。实验结果表明了本文所提方法在目标鉴别方面的有效性。     

三种语音特征信息综合方法的理论分析

本文是作者在１９９７ 年 《声学学报》中文版和英文版发表的三篇文章基础上的进一步研究。这些文章没有对提出的三种语音特征综合方法进行理论分析, 本文运用概率论知识, 详细地对前面三篇文章提出的三种语音特征信息综合方法进行理论分析。分析结果表明： 三种语音特征信息综合方法能够比较好地综合语音特征信息, 提高语音识别系统的性能。这一结果与前面三篇文章中实验结果一致。     

溅板式层板喷注单元燃烧特性数值分析

为了获得喷注单元结构参数对喷注器燃烧特性的影响规律,利用数值分析方法对单喷嘴溅板式层板喷注单元气-气燃烧特性进行研究,考察燃烧室特征长度及出口层喷嘴宽度对气氧/甲烷流动及燃烧特性的影响。在求解气-气燃烧流场方面,采用带化学反应的湍流N-S方程进行描述,其中化学动力学反应模型采用简化的单步9组分模型。研究结果表明:燃烧室特征长度的增大有利于特征速度效率的增加;该条件下采用溅板式层板喷注单元所对应的燃烧室特征长度约为600 mm。对比分析发现,出口层喷嘴宽度取0.15 mm时,水组分摩尔分数与热力计算值差别最大;当其值取1.05 mm时,燃烧室头部区域截面温度上升最快,取0.45 mm时上升最慢。总的来说,出口层喷嘴宽度取0.75 mm时,燃烧长度最短,燃烧效率最大。     

基于回波域的低频UWBSAR极化校准

多极化,低频超宽带(ultrawideband,UWB)合成孔径雷达(syntheticapertureradar,SAR)是雷达技术未来发展的一个重要方向。系统的低频特性,UWB特性和大处理角特性使得常规SAR极化校准不再适用。基于系统回波模型,同时考虑定标体的电磁散射特性,给出了适合该系统的极化校准方法。计算机仿真验证了该方法的有效性。     

代谢网络结构特征的生物信息学研究

作为生物信息学的重要研究内容,近年来代谢网络结构特征方面的研究取得了许多成果。回顾了代谢网络的重构和表示方法,重点综述了代谢网络宏观结构特征所蕴含的生物学意义,以及拓扑特征所揭示的网络演化过程和网络稳健性信息,提出了目前研究中仍然存在的问题及可能的解决思路,并对将来的研究趋势进行了阐述。     

无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。