利用脉冲激光的片上系统芯片单粒子效应试验

为评估脉冲激光试验对研究SoC(片上系统芯片)单粒子效应的有效性,构建了一个65 nm SoC的脉冲激光试验系统,并进行了试验。提出并采用坐标定位法、有源区聚焦法、ΔZ补偿法等针对大规模倒装焊集成电路的试验方法。对SoC的片上存储器、寄存器文件、RapidIO、DICE触发器等部件进行了脉冲激光试验和分析。结果表明:片上存储器对脉冲激光最为敏感,部件的激光试验与相应的重离子试验现象吻合,利用脉冲激光试验可有效研究纳米工艺下大规模集成电路的单粒子效应。     

基于直达波补偿的星地双站SAR滑动聚束模式频域成像算法

星地双站合成孔径雷达以星载系统为机会照射源,地面接收机接收直达波和散射波信号进行同步和成像处理。本文介绍了星地双站SAR系统结构,对基于直达波进行距离向脉冲压缩后的信号调频率、距离徙动以及二维频谱的空变性进行了分析。在此基础上,基于方位向预处理过程、直达波补偿以及非线性Chirp Scaling算法,提出了适合该模型的频域成像算法,并通过点目标仿真验证了该成像算法的有效性和性能。星地双站SAR实测数据进一步验证了该成像算法的有效性。     

超高分子量聚碳硅烷的合成及其表征

采用正交设计的方法从常压合成得到的中低分子量PCS出发进行热压合成制备超高分子量PCS;并运用红外、GPC、核磁共振等分析测试手段对其结构和性能进行了表征。研究表明:控制热压反应温度在460~470℃、预加压力1~2MPa、反应6h时得到超高分子量PCS的重均分子量在6400~8500;通过控制热压反应时间可以较好的调控超高分子PCS的分子量大小;热压合成后制得的超高分子量PCS的支化度和Si-H键含量有所降低。     

采用PageRank和节点聚类系数的标签传播重叠社区发现算法

基于标签传播的社区发现算法可以检测出复杂网络的重叠社区结构,因此提出了一种基于PageRank和节点聚类系数的重叠社区发现算法。该算法使用PageRank算法对节点的影响力进行排序,可以稳定社区发现结果,节点的聚类系数是一个与节点相关的值,使用节点聚类系数修改算法的参数并限制每个节点拥有最多标签的数量值,可以提高社区挖掘的质量。在人工网络和真实世界的网络上测试,实验验证了该算法能够有效地检测出重叠社区,并具有可接受的时间效率和算法复杂度。     

备件保障效能动态评估方法

针对目前效能评估方法多重视效能指标的静态观测值,对时序状态数据所蕴含的趋势信息关注较少的缺点,提出基于灰色聚类-粗糙集和集对分析的备件保障效能动态评估方法。针对主客观赋权方法各自的优缺点,引入依赖度和重要度的概念,建立灰色聚类-粗糙集组合赋权模型;将指标权重引入集对理论,提出集对同势、均势和反势的定义,描述备件保障效能的变化规律,构建基于马尔可夫链的集对分析动态模型。实例分析结果表明,该方法可以有效反映备件保障效能的动态变化特征,为决策者制定备件保障长期计划提供科学依据。     

改进的聚类算法在入侵检测系统中的应用

K-中心点聚类算法是几种经典的聚类算法之一。但传统的K-中心点聚类算法的效率以及稳定性较低,聚类的过程缓慢,容易陷入局部最优解,使得聚类最终结果的准确性不能得到保证。为此,提出了一种基于数据的"密度"信息有效地改进K-中心点聚类算法并应用于入侵检测模型。该算法很好地克服了传统的K-中心点聚类算法过分依赖初始中心点选择的弊端,并且用实验分别验证,以这种方法来进行数据的聚类相比于传统的K-中心点聚类算法,显著提高了数据集聚类的效果,在入侵检测系统的应用中也有效地提高了检测率和降低了误检率,具备一定的实用价值。     

基于多尺度特征聚类算法的不确定目标检测

提出一种基于无样本的SAR图像目标检测分类方法。针对空战过程中难以获得大量SAR图像目标样本问题,采用基于全局CFAR的多尺度SIFT特征进行目标纹理描述,并针对特征维度较高及特征描述之间存在的冗余问题,通过PCA算法对其进行降维处理后,采用DBSCAN算法对潜在目标区域的多尺度SIFT特征进行分类实现目标检测。通过单一目标和多类目标图像进行实验验证,实验结果表明该方法具有一定的有效性和可行性。     

基于椭圆滤波和RAT/FRT的雷达信号调制样式识别

雷达信号波形的调制样式识别方法是电子情报侦察领域的重要研究内容。针对线性调频(LFM)、二进制频移键控(BFSK)、相位调制(包括高阶巴克码(HOB)、弗兰克码(Frank)、P1、P2、P3、P4码)等多种脉内调制样式的雷达信号,提出一种基于模糊域椭圆高斯滤波预处理的波形增强表示方法,并结合拉东-模糊变换(RAT)和分数傅里叶变换(FRT)算法实现脉内调制类型的自动识别。仿真结果表明,该方法结构简单,易于工程实现,并具备较高的分类准确率和低信噪比下良好的鲁棒性。     

基于DBSCAN聚类的异构多智能体分层任务分配方法

针对多约束条件下大规模探测/通信智能体集群协同探测任务分配问题,从全局与局部相结合的角度,提出了一种分层任务分配求解方法。首先,根据通信距离约束对所有任务节点进行聚类预分组,将集群任务分配问题划分为上层全局任务分配和底层局部任务分配。然后,根据聚类结果采用启发式算法求解探测/通信智能体组间全局任务分配结果。随后,根据探测智能体的全局任务分配结果,采用遗传算法对探测智能体组内任务进行分配。最后,通信智能体根据探测智能体的组内任务分配结果,采用基于虚拟节点的方法进行组内任务分配。实验结果表明,相较于直接求解方法,分层任务分配方法不仅解决了大规模集群协同任务分配问题,还可以在保证优化目标值相近的情况下,缩短70%以上的求解时间,较快得到相对最优的任务分配结果。     

利用预报误差分布拟合实现卫星历史轨道机动检测的方法

轨道机动会引起在轨卫星的轨道异常,是空间态势感知的重点关注对象之一。为此,提出一种从卫星的两行轨道要素编目数据中检测历史机动的方法。通过分析预报误差检测轨道参数的异常编目值,进而获得相应的历史机动信息。对卫星的两行轨道要素编目数据两两预报求差得到预报误差的样本数据后,利用期望最大化算法可以拟合得到以高斯混合模型表达的预报误差的概率分布模型;以此为基础,可以确定利用预报误差检测轨道参数异常编目值的门限;利用轨道机动与异常编目值之间的对应关系,最终实现机动检测。对典型活动卫星的机动检测结果表明,所提方法能够在准确检出历史机动事件的同时保持较低的误检率。