羊拉铜矿尾矿料动力特性试验研究

以羊拉铜矿尾矿料为研究对象,按照中线法堆坝工艺要求,将羊拉铜矿尾矿砂人工配比成全尾矿、粗尾矿、细尾矿三种尾矿试样.使用DDS-70微机控制电磁式振动三轴仪,对三种尾矿砂试样进行了动强度、动本构关系、动弹模阻尼比三方面动力特性研究.确定了尾矿料的动力强度和动力参数.并探讨了颗粒组成、固结围压、固结压力比、动应力对动强度的影响.为羊拉铜矿尾矿坝在8度地震作用下的稳定性分析提供了基础资料.     

多通道递归残差网络的图像超分辨率重建

目的 基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训练时间长、重建结果细节信息较模糊等问题,提出一种多通道递归残差学习机制,以提高网络训练效率和图像重建质量。方法 设计一种多通道递归残差网络模型,该模型首先利用递归方法将残差网络块进行复用,形成32层递归网络,来减少网络参数、增加网络深度,以加速网络收敛并获取更丰富的特征信息。然后采集不同卷积核下的特征信息,输入到各通道对应的递归残差网络后再一起输入到共用的重建网络中,提高对细节信息的重建能力。最后引入一种交叉学习机制,将通道1、2、3两两排列组合交叉相连,进一步加速不同通道特征信息融合、促进参数传递、提高网络重建性能。结果 本文模型使用DIV2K （DIVerse 2K）数据集进行训练,在Set5、Set14、BSD100和Urban100数据集上进行测试,并与Bicubic、SRCNN （super-resolution convolutional neural network）、VDSR （super-resolution using very deep convolutional network）、LapSRN （deep Laplacian pyramid networks for fast and accurate super-resolution）和EDSR_baseline （enhanced deep residual networks for single image super-resolution_baseline）等方法的实验结果进行对比,结果显示前者获取细节特征信息能力提高,图像有了更清晰丰富的细节信息;客观数据方面,本文算法的数据有明显的提升,尤其在细节信息较多的Urban100数据集中PSNR （peak signal-to-noise ratio）平均分别提升了3.87 dB、1.93 dB、1.00 dB、1.12 dB和0.48 dB,网络训练效率相较非递归残差网络提升30%。结论 本文模型可获得更好的视觉效果和客观质量评价,而且相较非递归残差网络训练过程耗时更短,可用于复杂场景下图像的超分辨率重建。     

3D多尺度深度卷积神经网络肺结节检测

目的 肺结节是肺癌的早期存在形式。低剂量CT（computed tomogragphy）扫描作为肺癌筛查的重要检查手段,已经大规模应用于健康体检,但巨大的CT数据带来了大量工作,随着人工智能技术的快速发展,基于深度学习的计算机辅助肺结节检测引起了关注。由于肺结节尺寸差别较大,在多个尺度上表示特征对结节检测任务至关重要。针对结节尺寸差别较大导致的结节检测困难问题,提出一种基于深度卷积神经网络的胸部CT序列图像3D多尺度肺结节检测方法。方法 包括两阶段：1）尽可能提高敏感度的结节初检网络;2）尽可能减少假阳性结节数量的假阳性降低网络。在结节初检网络中,以组合了压缩激励单元的Res2Net网络为骨干结构,使同一层卷积具有多种感受野,提取肺结节的多尺度特征信息,并使用引入了上下文增强模块和空间注意力模块的区域推荐网络结构,确定候选区域;在由Res2Net网络模块和压缩激励单元组成的假阳性降低网络中对候选结节进一步分类,以降低假阳性,获得最终结果。结果 在公共数据集LUNA16（lung nodule analysis 16）上进行实验,实验结果表明,对于结节初检网络阶段,当平均每例假阳性个数为22时,敏感度可达到0.983,相比基准ResNet + FPN（feature pyramid network）方法,平均敏感度和最高敏感度分别提高了2.6%和0.8%;对于整个3D多尺度肺结节检测网络,当平均每例假阳性个数为1时,敏感度为0.924。结论 与现有主流方案相比,该检测方法不但提高了肺结节检测的敏感度,还有效地控制了假阳性,取得了更优的性能。     

国产基础软件的IT系统测评技术体系研究

本文提出了基于国产基础软件的IT系统测评体系,指出了基于国产基础软件的全生命周期各个阶段存在的一些问题并给出了相应的解决方法,论述了基于国产基础软件的IT系统测评环境,并且明确了基于国产基础软件的IT系统测评技术体系的具体内容,可为基于国产基础软件的IT系统测评相关工作的开展提供一些参考,加强基于国产基础软件的IT系统测评的服务能力,进一步提升国产基础软件的质量.     

A simplification method for capacitance models in AlGaN/GaN high electron mobility transistors under large drain voltage using channel analysis

This article analyzes the bias dependence of gate‐drain capacitance (C_gd) and gate‐source capacitance (C_gs) in the AlGaN/GaN high electron mobility transistors under a high drain‐to‐source voltage (V_ds) from the perspective of channel shape variation, and further simplifies C_gd and C_gs to be gate‐to‐source voltage (V_gs) dependent only at high V_ds. This method can significantly reduce the number of parameters to be fitted in C_gd and C_gs and therefore lower the difficulty of model development. The Angelov capacitance models are chosen for verifying the effectiveness of simplification. Good agreement between simulated and measured small‐signal S‐parameters, large‐signal power sweep, and power contours comprehensively proves the accuracy of this simplification method.     

Hyperspectral image super-resolution through clustering-based sparse representation

Promoting the spatial resolution of hyperspectral sensors is expected to improve computer vision tasks. However, due to the physical limitations of imaging sensors, the hyperspectral image is often of low spatial resolution. In this paper, we propose a new hyperspectral image super-resolution method from a low-resolution (LR) hyperspectral image and a high resolution (HR) multispectral image of the same scene. The reconstruction of HR hyperspectral image is formulated as a joint estimation of the hyperspectral dictionary and the sparse codes based on the spatial-spectral sparsity of the hyperspectral image. The hyperspectral dictionary is learned from the LR hyperspectral image. The sparse codes with respect to the learned dictionary are estimated from LR hyperspectral image and the corresponding HR multispectral image. To improve the accuracy, both spectral dictionary learning and sparse coefficients estimation exploit the spatial correlation of the HR hyperspectral image. Experiments show that the proposed method outperforms several state-of-art hyperspectral image super-resolution methods in objective quality metrics and visual performance.

     

基于空间注意力下边缘图融合的草图图像检索

基于草图的图像检索任务根据用户提供的手绘草图,从图像数据库中检索得到与该草图对应的自然图像.与传统基于内容的图像检索不同,草图和自然图像间存在明显的域差异,这使得二者的特征难以直接进行比较.针对自然图像边缘图和草图的相似性,提出了空间注意力下的边缘图融合模型,将自然图像和对应的边缘图分别编码到各自的特征空间,再通过空间注意力掩膜进行加权融合,进而用于草图图像检索.所提模型可以更有效地编码物体边缘轮廓的特征,分别在Sketchy和Flickr15K数据集的草图图像检索任务上取得了比前人方法更高的Recall@1和MeanAP指标.     

基于有源定标器的HY-2B卫星雷达高度计时钟频率偏差在轨测试

雷达高度计的主要功能是测量全球平均海平面高度（SSH：Sea Surface Height）,它通过准确测量收发脉冲之间的时间间隔来实现精准的星地距离测量,时间测量的准确度取决于高度计时钟的准确性。卫星在轨运行期间,雷达高度计时钟频率会产生缓慢漂移,时钟频率漂移会影响星地距离的测量准确度,造成对海面高程的测量偏差。在基于重建型有源定标器对HY-2A卫星高度计时钟偏差在轨测试方法的基础上,提出了从星地斜距函数曲线时间偏移量中提取高度计时钟偏差的估计方法,应用于HY-2B卫星雷达高度计在轨定标测试中,测量了雷达高度计时钟频率漂移量,精度优于0.001 Hz。结果表明：HY-2B高度计原子钟性能稳定,时钟频率偏差造成的测距偏差为毫米量级,平均测距漂移率为2.95×10^-7 m/d。     

基于深度强化学习的舰载机动态避障方法

针对高度异构、动态的航母甲板作业场景中的舰载机避障问题,提出一种结合预测算法和深度强化学习的避障方法.该方法包含场景建模、奖励模型和轨迹预测模型等模块.首先基于智能体状态和动作空间对航母甲板场景进行建模;然后利用最小二乘法对场景中动态障碍物的位置进行实时轨迹预测,并构造了包含路径预测模块的深度强化学习方法——环境预测深度Q网络(PDQN);最后利用该方法实现航母甲板作业场景中的舰载机动态避障.利用Python绘图集Matplotlib进行仿真实验,实验数据结果表明,相比于Q-learning,SARSA等方法,所提方法的准确率提升了15％～25％,路径长度短9％～39％,平均奖励值高30％～100％,收敛速度快1～2倍且训练平稳后准确率的标准差小2％～50％.     

Hermite-Shannon-Cosine区间小波及其在图形自适应分划插值中的应用

动态曲线图是描述客观现象变换规律的常用工具,为实现动态曲线特征点的动态捕捉及精确表达,构造了同时具有插值性、光滑性、紧支撑性和对称性的Shannon-Cosine小波函数.首先利用Shannon小波函数的波动性和连续性,根据积分中值定理,设计了一种参数化的窗函数,通过参数调整,可满足Shannon-Cosine小波对支撑区间和光滑度的自适应控制的要求;其次,分析确定了对曲线进行小波变换时边界效应归因于曲线边界的不连续,因此,采用2点3次Hermite插值函数构建了区间小波;最后,采用多尺度Shannon-Cosine小波对冲击波传播曲线和反射Burger曲线进行多尺度自适应细分和逼近,自动捕捉曲线的特征点进行重构.实例结果表明,与其他方法相比,Hermite Shannon-Cosine区间小波逼近曲线具有较高的数值精度和较低的算法复杂度.