竹原纤维增强塑化淀粉复合材料的制备及性能研究

以塑化淀粉为基础材料,以甘油作为增塑剂,海藻酸钠作为增强剂,结合新型绿色环保材料竹原纤维,制备性能优良的复合材料。实验结果表明在淀粉的质量浓度为9.0g/100mL,竹原纤维含量为0.2g/100mL,海藻酸钠含量为0.6g/100mL,甘油含量为3g/100mL时,控制超声波处理时间为45min的条件下,制备的可降解性塑料膜的强力较佳,柔软度适中。     

考虑运动补偿的机载SAR定位误差传递模型及航迹标定方法

机载合成孔径雷达(SAR)定位误差不仅受载机位置/速度测量误差、系统时间误差等的影响,还与运动补偿残余误差有关。然而现有机载SAR定位模型很少考虑运动补偿误差的影响。该文针对实际中普遍存在的含运动误差和载机航迹测量误差的情况,结合运动补偿和频域成像算法,推导了机载SAR图像定位误差传递模型,阐明了运动补偿残余误差影响下航迹测量误差对定位偏差的影响方式,并基于该模型给出了载机航迹测量误差的标定方法。仿真实验验证了该定位误差传递模型的正确性,相比于不考虑运动补偿残余误差的定位模型,得到了更高精度的航迹测量误差标定结果,证明了该方法的优越性。      

星载滑动聚束SAR成像模型误差校正方法研究

合成孔径雷达(SAR)滑动聚束模式是介于传统条带模式和聚束模式之间的成像模式。该文针对高分辨率宽覆盖星载滑动聚束SAR合成孔径时间和一次成像时间均较长的特点,分析了由此引发的传统等效距离模型精度不足以及模型参数沿方位向时变性显著的问题。借鉴机载SAR运动补偿理论,提出了利用星载滑动聚束SAR非匀速直线运动引起的到虚拟转动点距离误差来校正方位时变模型参数的方法,并相应给了判断是否需要校正的依据;针对校正后数据中孔径内残留的等效距离模型三次误差,提出了在多普勒域内的统一补偿的方法;结合上述模型误差校正方法,重新定义了滑动聚束DCS算法中的CS因子,给出了处理流程。最后,用计算机仿真实验验证了模型校正方法的有效性。     

基于改进sinc插值的变PRF采样聚束SAR成像

该文针对周期性变PRF采样高分辨率聚束模式合成孔径雷达(SAR)提出了一种改进的两步成像算法。变脉冲重复频率(PRF)设计可解决固定盲区等问题,是解决星载SAR高分宽幅矛盾的一种有效手段,但变PRF采样会引起频谱混叠和虚假目标等问题。该文从离散非均匀傅里叶变换原理出发,推导改进sinc插值核函数并建立了时域-时域的回波重建方法,将变PRF采样回波重构为均匀采样回波。此外将改进sinc插值与两步式成像算法结合,据此发展出针对非均匀采样回波的改进两步式聚束SAR成像算法,拓展了传统两步式成像算法的使用范围。仿真数据和实际数据处理结果验证了成像算法的有效性和精确性,并且改进sinc插值具备更高的计算效率。      

机载双站聚束SAR改进ωK算法

双站SAR 能够获取目标不同方向的雷达散射系数,有助于图像分类和识别。双站聚束 SAR 分辨率高,目标识别能力更强。针对机载双站聚束SAR长合成孔径时间特点,该文引入改进双曲等效方法,修正了双曲等效距离模型的三次项精度;推导了2维波数域信号表达式,给出波数域图像重建方法;建立了距离-方位波数域的距离空变补偿项,提高了ωK算法的距离空变处理能力。计算机仿真结果验证了机载双站聚束SAR改进ωK算法的精确性和有效性。     

浅析输油管道当中的防腐措施研究

由于我国输油埋地管线索铺设的都属于永久性管线,只有很少部分的临时性管线,而在对管道所耗费的巨额投资能够做到最大效益得到发挥,这使得管道铺设过程当中不容忽视的重要环节就是对管道所进行的防腐蚀工作。     

遥感图像中油罐目标精确定位与参数提取

目的 浮动顶油罐是遥感图像中具有圆形特征的典型人造目标,其高精度定位与参数提取问题是一类代表性的应用问题,针对该问题,传统的基于圆形特征的变换域提取方法鲁棒性差,参数选择需要不断手动调整;基于深度学习的方法利用对已有标注图像的训练求解网络参数,提高了自动化程度,但对于圆形目标而言,覆盖圆周需要较大的感受野,这对应较大的网络结构,随之带来细节信息缺失或参数量、运算量增大的问题。本文针对油罐的定位与参数提取问题,将传统特征提取与深度学习结合,提出了一种计算量小、精度高的方法。方法 基于快速径向对称变换（fast radial symmetry transform,FRST）后的变换域数据及原始数据构建了卷积神经网络（convolutional neural networks,CNN）,给出了训练过程及参数选择,有效地将圆形特征的先验引入深度学习过程,计算复杂度低,用较少层的网络实现了高精度的定位。结果 基于SkySat数据的实验表明,该方法比单纯基于深度学习的方法在相同网络量级上精度得到了有效提高,预测误差平均降低了17.42%,且随着网络深度的增加,精度仍有明显提高,在较浅层次网络中,预测误差平均降低了19.19%,在较深层次网络中,预测误差平均降低了15.66%。结论 本文针对油罐遥感图像定位与参数提取问题,提出了一种基于变换域特征结合深度学习的方法,有效降低了计算量,提升了精度和稳定性。本文方法适用于油罐等圆形或类圆形目标的精确定位和参数提取。