红外隐身技术的现状与发展

综述了红外隐身技术的现状，指明了存在的问题以及发展的方向。     

GIS中道路截断算法的研究与实现

为了实现矢量化地图上根据用户指定点截断道路，文章提出针对该问题的两种算法并分别进行了复杂性分析。算法已在一实际的物流保障GIS系统中实现且运行良好。     

港口湾电站蝴蝶阀铁路运输设计

本文对港口湾电站蝴蝶阀铁路运输设计方案进行了详细地介绍。该方案是我公司有史以来采用落下孔车单车装载货物重量最重、数量最多、设计工艺实施难度最大的一次装载。此次装载成功为我公司大件运输开辟了一条新的途径。     

短切碳纤维与铁氧体在低频电磁屏蔽混凝土中的实验研究

介绍了掺短切碳纤维和铁氧体粉末的电磁屏蔽混凝土的制备，测试了样品的电磁屏蔽性能，并比较了3与6mm短切碳纤维及其与铁氧体的复合结构在吸波混凝土中的屏蔽效能，分析、总结了实验样品中反映出来的规律，为设计高性能电磁屏蔽混凝土提供了依据。     

基于MODIS数据的青藏高原地表反射率重建方法研究

青藏高原地表反射率在自然资源监测、生态环境保护和地球科学研究等方面有着重要应用。MOD09A1反射率数据由于云等因素的影响产生了大量异常像元,使得数据存在信息损失不完整的问题。考虑到邻近时序遥感影像具有高相关性,同类地物光谱具备高相似性,本文针对青藏高原地区提出了一种基于残缺多时相数据与地表覆盖分类信息的地表反射率深度学习重建方法。首先,以多时相MOD09A1反射率数据和MCD12Q1地表覆盖分类数据为基础,通过异常像元去除、有效图层提取、投影转换与拼接,得到目标区域基础反射率图像及辅助数据;其次,根据残差网络基本原理,构建了基于多时相数据与地表覆盖分类信息融合的深度学习网络模型;然后,利用MOD09A1数据完整区域裁剪的云掩膜样本、基于地表覆盖分类和K-means聚类算法生成的增广样本对模型进行训练;最后,将训练好的模型用于缺失数据区域地表反射率重建。通过两组对比试验表明,本文方法降低了对多时相辅助影像数据量和完整性的要求,在多时相数据残缺情况下,结合地表覆盖分类信息可实现对青藏高原大范围地表反射率的修复与重建。     

碳纤维混凝土电磁特性的数值模拟

从理论上深入研究了碳纤维混凝土复合材料的电磁波传输特性,数值分析了反射系数和透射系数与频率、材料厚度以及入射角等媒质参数的变化规律,进一步分析了复合材料的屏蔽特性。结果表明,掺人碳纤维的混凝土材料的反射系数和透射系数减小,屏蔽性能增强,为碳纤维混凝土屏蔽材料的实验制备提供了理论依据。     

仿生伪装图案遗传进化设计方法研究

针对传统伪装图案设计方法单一、受主观因素影响较大、伪装效果不够理想等问题,提出了一种仿生伪装图案遗传进化设计方法,根据人眼目视成像侦察和光电成像侦察基本原理构建了目标侦察综合特征参数模型。借鉴生物遗传进化思想,以斑马图案为基础开展伪装图案优选复制、交叉繁殖和变异繁殖等仿生进化处理方法研究,得到能适应成像基本模型的仿生伪装图案,改进了传统伪装图案设计方法。通过多种伪装图案的对比实验表明,本文方法有效地降低了目标的检测识别特征,具有较好的伪装隐蔽效果,综合特征参数较初始时降低23%以上,优于其他多种典型伪装方法。该本文方法实现了侦察模型、生物遗传进化思想和伪装原理相关知识交叉融会应用,为迷彩伪装图案的科学化和精细化设计提供了一种新方法。     

企业质量信用数据库及其应用

企业质量信用数据库是在组织机构代码管理中以组织机构代码实名制为基础建立的企业质量信用档案,以物品编码作为溯源手段建立的产品质量信用信息平台,从而为健全质量信用评价体系,实施质量信用分级分类监管提供基础数据。企业质量信用数据库的建立将完善质量信用奖惩机制,加大质量失信惩处力度,全面推进质量诚信体系建设,营造诚实守信、自律守法的社会环境。     

沉积物重金属的随机生态风险评价模型

在湖泊沉积物的重金属生态风险评价中,由于沉积物矿质组成不均匀性和实验误差的影响,重金属的背景值也往往具有一定的不确定性,而传统的生态风险指数难以处理这里具有不确定性的生态风险评价问题。为解决这一问题,本研究基于统计学原理,对传统的生态风险指数进行了改进,建立了随机生态风险评价模型。该模型不仅可以处理沉积物重金属背景值中的不确定性;而且可以通过风险向量,量化重金属生态风险隶属于各个等级的概率。最后,将该模型应用于洞庭湖新墙河口的沉积物重金属生态风险评价中,结果显示:与传统生态风险指数相比,随机生态风险评价模型在风险的不确定性量化和等级识别方面都有明显优势。新墙河口沉积物中的主要生态风险因子为砷、汞、镉,它们的生态风险级别分别为"低风险"、"中风险"和"较高风险",且分别具有0.15、0.13和0.24的概率向更高的等级恶化。为了保护新墙河口的生态环境健康,应当加强桃林矿区的矿渣治理,并在河口地区进行生态清淤。