用于射频滤波器的LN单晶薄膜XBAR的性能研究

基于铌酸锂(LN)薄膜的横向激发体声波谐振器(XBAR)能够兼具大机电耦合系数(K²)和高谐振频率(f)特性，有望满足5G应用的频段要求。然而，常规LN薄膜单层XBAR结构的温度稳定性较差，频率温度系数(TCF)较低。该文提出一种具有SiO₂温度补偿层的SiO₂/LN双层结构XBAR，并建立了精确分析层状结构XBAR的有限元模型。理论分析表明，该双层结构XBAR上激励的主模式是一阶反对称(A1)兰姆波。通过合理优化结构参数配置，能够获得高谐振频率(f~4.75 GHz)和大机电耦合系数(K²~8%)，同时其温度稳定性也得到显著改善(TCF~-36.1×10^-6/℃)，相较于单层XBAR结构提高了近70×10^-6/℃，这为研制温补型高频、大带宽声学滤波器提供了理论基础。     

阿克苏地区主栽棉花品种综合评价分析

对阿克苏地区主栽的5个细绒棉品种在统一的种植管理模式下,进行农艺现状调查、棉花产量和棉纤维品质分析,并通过灰色关联度法对5个品种细绒棉品质进行综合性评价。结果表明,优质棉品种综合性状排序为J206-5>新陆中84>新陆中80>新陆中68>新陆中62。运用综合评价筛选出适宜阿克苏地区推广种植的优质棉品种,为阿克苏地区棉花产业持续健康发展提供理论依据。     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病,该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法,可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊.算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割;根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征;依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别;使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证.实验结果表明,加入胸痛中心真实临床数据后,基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72％,精度达到99.53％,灵敏度达到100.00％,同时F1-Score达到99.76.该算法比其他现有算法准确率提高至少1％,该项研究具有非常重要的临床应用价值.     

带下陷的直凸弯边零件回弹补偿及试验验证

为提高飞机钣金零件的成形质量,对带下陷的直凸弯边零件在橡皮囊成形过程中的回弹问题进行研究。对新淬火状态下的2024-W铝合金材料进行单向拉伸试验,获得材料的力学性能参数,为回弹补偿和有限元模拟提供条件;采用CATIA二次开发系统,对带下陷的直凸弯边钣金件的圆角部分和弯边部分两个位置进行回弹补偿,生成准确的回弹补偿模具;采用Pam-stamp 2G有限元模拟软件,对新设计的补偿模具进行有限元数值模拟并进行试验验证,验证了经回弹补偿模块设计带下陷的直凸弯边补偿模具的可行性。结果表明:在成形压力为50 MPa时,零件回弹前后的角度误差为1°,满足尺寸设计要求,验证了有限元模拟的可信度以及回弹补偿系统的准确性。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

基于K-means和SOM的水下传感器数据采集方法

随着海洋资源勘探和海洋污染物监控工作的开展，水文数据的监测和采集等已经成为重要的研究方向。其中，水下无线传感器网络在水文数据采集过程中起着举足轻重的作用。本文研究的是水下无线传感器二维监测网络模型中，传感器节点数据采集的问题，其设计方法是通过自组织映射（Self-organizing mapping，SOM）对传感器节点进行路径最优化处理，结合优化的路径图形和K-means算法找到路径内部聚合点，利用聚合点和传感器的节点得到传感器通信半径内的数据采集点，最后通过SOM得到水下机器人（Autonomous underwater vehicle，AUV）到各个数据采集点采集数据的最优路径。经过实验验证，在水下1 200 m×1 750 m范围内布置52个传感器节点的情景下，数据采集点相比于传感器节点路径规划采用相同的采集顺序得到的路径优化了6.7%；对数据采集点重新进行自组织路径规划得到的路径比传感器结点路径的最优解提高了12.2%。增加传感器节点的数量，其结果也大致相同，因此采用该方法可以提高水下机器人采集数据的效率。