不同固结度冻融软土动载下孔压模型

以冻结温度和融土初始固结度为影响因素,通过室内动三轴试验对地铁循环荷载作用下冻融软土的孔压发展规律进行研究.结合试验数据,建立了考虑冻结温度和融土初始固结度的影响因素的冻融土动孔压累积试验模型.研究表明,冻融作用改变土体内部颗粒联结形式和孔隙结构,导致在循环荷载作用下冻融土动孔压累积速率加快;冻结温度越低,冻融土孔压发展速率越快,且在振动后期的稳定孔压值越高;冻融土初始固结度对孔压发展有影响,初始固结度越高,孔压发展越缓慢,且稳定值越低;低温冻结和低初始固结度的耦合作用加剧了冻融土孔压的累积,使其结构进一步软化.     

粘结剂对石墨电极的制备及影响

采用循环伏安法研究了醋酸纤维素、丙基甲基纤维素(HPMC)、壳聚糖3种粘结剂对石墨电极性能的影响.结果表明,壳聚糖为粘结剂制备的石墨电极的性能最好,该电极在1mmol/L亚铁氰化钾溶液和1mmol/L的对苯二酚溶液中的氧化还原峰的对称性和可逆性均较好,其氧化峰电流与扫描速度υ1/2成线性关系,表明电极表面的氧化还原过程受扩散过程控制.     

基于双向循环网络的变色龙视觉超分辨率图像重建

针对使用均方误差（Mean Square Error,MSE）作为目标损失函数，导致重建的超分辨率图像在失真与感知质量上难以兼得的问题，提出基于双向循环网络的变色龙视觉重建模型（Super-resolution Bidirectional Recurrent Neural Network,SRBRNN）以改善重建效果.首先，鉴于变色龙可以同时注视两个不同方向的非凡视觉功能，SRBRNN模型借助双向循环神经网络结合序列演进前向与反向给输出提供不同方向时间信息的思想，实现重建过程中失真与感知质量的兼顾；其次，SRBRNN模型定义了特征演进和退化序列，并设计了低分辨率图像到高分辨率图像演进和高分辨率图像到低分辨率图像退化网络，将演进网络和退化网络对应应用为原双向循环网络的前向循环和反向循环网络；最后，利用双向循环机制重建超分辨率特征.用SRBRNN算法在Set5、Set14、BSD100基准测试集上进行实验，实验结果表明在峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural Similarity, SSIM)评估指标及主观质量评分上，...     

低多普勒敏感的抗间歇采样转发干扰波形设计方法

针对间歇采样转发干扰，研究了脉内正交的工作波形和保护波形设计方法抑制干扰，考虑到设计波形的多普勒敏感性，以低多普勒敏感约束和互相关函数加权和最小为目标函数、波形恒模为约束条件建立优化问题。由于该问题包含非凸四阶目标函数和非凸约束，难以得到闭式解，因此设计了一种基于循环算法的方法进行求解。最后，通过仿真实验和已有波形进行对比，验证了所设计波形具有较低多普勒敏感性，同时能够有效对抗间歇采样转发干扰。     

基于深度强化学习算法的无人机智能规避决策

为提升无人机在复杂空战场景中的存活率，基于公开无人机空战博弈仿真平台，使用强化学习方法生成机动策略，以深度双Q网络(double deep Q-network, DDQN)和深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法为基础，提出单元状态序列(unit state sequence, USS),并采用门控循环单元(gated recurrent unit, GRU)融合USS中的态势特征，增加复杂空战场景下的状态特征识别能力和算法收敛能力。实验结果表明，智能体在面对采用标准比例导引算法的导弹攻击时，取得了98%的规避导弹存活率，使无人机在多发导弹同时攻击的复杂场景中，也能够取得88%的存活率，对比传统的简单机动模式，无人机的存活率大幅提高。     

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题，提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征；利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强，提高了截面特征的适应性和一致性；并将预处理后的特征图与经典残差网络相结合，利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力，实现了混合信号的有效识别。仿真结果表明，该方法对噪声不敏感，当信噪比不低于-2 dB时，平均识别率大于90%；且该方法对信号参数及信号间能量比变化有较好的适应能力。     

基于GHZ型态的非对称循环量子隐形传态

提出利用GHZ型态的张量积作为量子信道，实现任意单粒子、Bell态和GHZ态的非对称循环(受控)量子隐形传态的2个方案.在方案1中，3个参与者Alice、Bob及Charlie以9粒子纠缠态为量子信道，Alice、Bob及Charlie对自己粒子进行Bell态、单粒子测量并公布测量结果，三方根据所有测量结果对各自粒子进行相应的幺正变换，即可实现非对称循环量子隐形传态.在方案2中，增加一个控制方David, Alice、Bob、Charlie及控制方David共享12粒子纠缠态为量子信道，在控制方David的作用下，Alice把自己的单粒子态传递给Bob, Bob把自己的Bell态传递给Charlie,同时，Charlie也将自己的GHZ态传递给Alice.仅当David与三方相互合作时，非对称循环受控隐形传态才能实现.     

基于卷积门控循环神经网络的Web攻击检测方法

针对Web应用程序的攻击一直是网络空间对抗的热点问题，随着Web攻击技术的不断发展，传统的入侵检测系统和Web应用防火墙越来越无法满足安全防护需求。针对攻击者在Web请求中嵌入可执行代码或注入恶意代码来构造各种Web攻击，本文设计一种基于特征融合的恶意Web请求检测卷积门控循环单元(CGRU)神经网络。该网络利用CNN捕捉网络事件的局部特征和高阶特征，摒弃了传统的池化方法，采用GRU代替原有的池化层在时间维度上进行特征采集。同时，为了提高检测性能，筛选传统机器学习中在Web攻击检测领域分类效果较好的9个统计特征来增强原始特征。此外，还使用Word2Vec模型对词嵌入矩阵进行预训练，获得CGRU模型的输入，并对最终结果进行分类，有效提高多分类精度。在公开的HTTP CSIC 2010数据集上与当前典型方法进行对比实验，结果表明：本文所提方法的准确率为99.81%,召回率为99.78%,F₁值为98.80%,精准率为99.81%,较当前典型方法均有提高。     

基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。     

基于CRC的ASM信号维特比纠错算法

为提高甚高频数据交换系统(very high frequency data exchange system, VDES)中应用特定消息(application-specific messages, ASM)的解码性能, 提出一种基于循环冗余校验(cyclic redundancy check, CRC)的改进维特比纠错算法。通过合理降低符号状态数和使用部分CRC参与纠错, 使该算法平衡了纠错性能和计算量, 同时提出了新的分支度量以解决过于理想化的传统分支度量导致的性能损失。仿真表明, 新分支度量相比传统分支度量提升了1 dB的误帧率(packet error rate, PER)性能, 在用12个CRC寄存器参与纠错的条件下，该方法比相干解调算法提升了1 dB的PER性能, 同时通过合理的符号状态数降低策略将计算量降为传统算法的1/4。