糖尿病特殊情况的饮食治疗

糖尿病是全身性代谢性疾病,常并发心血管病变、肾脏病变、神经病变、视网膜病变、感染,以及合并妊娠等。尤其是遇到妊娠、肾病及外科手术等特殊情况时,合理的饮食治疗有助于疾病的康复和治疗。 糖尿病肾病 它是糖尿病严重的慢性并发症,除控制血糖及高血压外,饮食治疗为重要环节。糖尿病肾病一旦进入临床期,病变的逆转极为困难,而在早期阶段给予恰当的治疗常可逆转。因此,早期治疗至关重要。①蛋     

准噶尔盆地西北缘车排子地区侏罗系扇三角洲沉积特征

在准噶尔盆地西北缘车排子地区侏罗系扇三角洲沉积体系岩石相、测井相、地震相分析研究基础上,对该区扇三角洲沉积体系进行了沉积微相组合划分,并对各沉积相组合特征分析研究认为,该区扇三角洲沉积的总体特征为:近源、粒级粗、堆积速率快,岩石相、地震相类型丰富.同时还对该区扇三角洲沉积模式和岩性圈闭形成条件进行了分析.研究结果对该区隐蔽油气藏的勘探具有一定的指导意义.     

MOSCA-CFAR检测器在干扰边缘中的性能分析

本文研究MOSCA－CFAR检测器[1]在干扰边缘中的性能。文中推导出了背景噪声和杂波为高斯分布条件下，它在干扰边缘环境中虚警概率的解析表达式，分析了它抗干扰的性能，并且与OS、CA、SO和GOSCA等检测器进行了比较．结果表明，MOSCA在获得在均匀背景和多目标环境中的良好检测性能的同时也保持了较好的抗边缘干扰性能．     

略阳铧厂沟蚀变岩型金赋存状态的研究

本文以陕西省略阳县铧厂沟金矿区蚀变岩型金的赋存状态为研究对象,通过在矿区中构造蚀变带进行岩石采样,着重以含矿岩层为主,通过岩矿鉴定分析,确定为一套构造蚀变岩,在显微镜下通过光片分析金的形态特征,通过形态特征推断金的赋存状态,金的赋存状态为裂隙金、包裹金和粒间金,主要以包裹金为主。     

飞鸟与旋翼无人机雷达微多普勒测量实验研究

针对飞鸟和旋翼无人机目标识别的迫切需求,开展微多普勒测量实验研究. 首先对飞鸟翅膀扑翼运动、无人机目标主体运动和旋翼转动进行建模分析与参数化表征,从雷达动目标回波中提取多普勒频移信息;然后利用短时傅里叶变换转换为时频图,对目标微多普勒特征进行精细化描述,并从雷达参数、目标类型、观测条件等多个角度重点分析了微动特征的影响因素;最后利用K波段线性调频连续波雷达开展飞鸟和两款典型旋翼无人机（“御MAVIC Air 2”和“悟Inspire 2”）微动测量实验,对微动参数进行估计,验证了理论模型的正确性. 实测数据分析表明:目标旋翼叶片长度越大、转速越高,微多普勒频率越大;叶片数目增多导致微动特征重叠;雷达观测角度、调制周期以及时频分析的时间窗长均会对微动特性产生重要影响.     

基于INet的雷达图像杂波抑制和目标检测方法

强海杂波与海面目标的复杂特性使得海面目标回波微弱,有效的海杂波抑制和稳健快速的目标检测是雷达对海上目标探测需考虑的重要因素。然而,现有的海面目标检测算法对于复杂环境下的目标检测性能有限,环境和目标特性适应性差。该文设计了一种杂波抑制和目标检测融合网络(INet),通过层归一化-传递和连接方法提取关键目标特征,采用注意力网络抑制杂波和增强目标,构建跨阶段局部残差网络保证检测网络的轻量化和准确性。基于导航雷达在多种观测条件下采集的回波数据,构建了海面目标雷达图像数据集;通过模型的预训练和平面位置显示器(PPI)图像的帧间积累对INet进行了优化,得到了Optimized INet(O-INet)模型。经过多种天气条件下实测数据测试和验证,并与YOLOv3, YOLOv4,双参数CFAR和二维CA-CFAR对比后证明,所提方法在提高检测概率、降低虚警率和复杂条件下的强泛化能力有显著优势。      

多频连续波雷达与角度-距离联合估计方法

频控阵（frequency diverse array）雷达存在角度和距离定位模糊的问题,基于频控阵与早期的多频连续波（multi-frequency continuous wave）雷达相同的测距原理,提出了改进的多频连续波雷达模型,通过采用相控阵接收的方式,克服了传统频控阵角度和距离定位模糊的问题.根据收发阵元数的不同,推导了四种配置下的信号模型,分析了多频连续波雷达相比传统频控阵可解耦角度与距离定位模糊的原因.新的多频连续波雷达实现定位的本质为三维多频估计问题,为此提出了一种基于迭代插值傅里叶系数（iterative interpolation Fourier coefficients））的角度-距离联合估计方法,理论分析了算法的性能.仿真结果验证了所提方案与算法的有效性.     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。