基于完全互补码波形的非零多普勒目标检测

本文将完全互补码(Complete Complementary Code, CCC)应用于多输入多输出(Multiple Input Multiple Output, MIMO)雷达目标探测中，针对具有非零多普勒的多目标检测问题，提出一种基于广义普洛黑-修-莫尔斯(Generalized Prouhet-Thue-Morse, GPTM)序列和二项式系数加权的信号处理方法。该方法分别在发射端和接收端进行处理，在发射端采用GPTM序列设计方法调整脉冲的发射顺序，以降低由多普勒引起的距离旁瓣；在接收端通过二项式设计(Binomial Design, BD)方法为各接收脉冲加上不同权重，扩大目标多普勒附近的清洁区。为综合上述两次处理的优势，将两次处理得到的距离多普勒谱进行逐点最小化处理，得到最终的距离多普勒谱，然后进行有序恒虚警检测。仿真结果表明，本文所提的信号处理方法具有良好的旁瓣抑制效果和多普勒分辨率，能够有效检测出非零多普勒目标。     

浅谈钻孔灌注桩的质量检测及问题处理

钻孔灌注桩在实际施工过程中,由于地质情况、环境天气、机械设备及人为操作等各种内外因素,难免会出现一些影响工程质量的问题,造成安全事故隐患。简要说明了某钻孔灌注桩桩基项目的工程概况,针对工程桩的的质量检测结果及问题成因进行了分析探讨,并结合现场施工情况给出了补强处理方案,最后对钻孔灌注桩的优缺点进行了初步总结,并强调了质量安全注意事项。     

食品中兴奋剂污染研究现状

随着食品和膳食补充剂的市场变得越来越全球化,食品和膳食补充剂的安全性、质量和功效引起人们的高度关注。近年来,食品和膳食补充剂中被检测出兴奋剂阳性的事件屡见不鲜。运动员在误服误用被兴奋剂污染的食品和膳食补充剂后,会导致兴奋剂检测呈阳性,这对运动员和国家都造成了重大损失。由于摄入受污染的食品或膳食补充剂会导致严重的健康损害或意外违反反兴奋剂规定,因此准确了解食品和膳食补充剂中兴奋剂污染种类是十分有必要的。本文主要从食品和膳食补充剂中兴奋剂污染的来源和种类以及常用的检测方法等方面进行简要概述,以提高运动员对高风险食品的警惕和防范,避免因误服被兴奋剂污染的食品、膳食补充剂而导致的不良分析结果。     

用于电弧检测的电力专用SoC设计

针对传统的电弧电路故障检测结果不准确的问题,设计用于电弧检测的SoC系统,并且在55nm工艺下进行流片验证。采用包含两种结构的模数转换器的片上电压源,设计了锁相环以及复位电路,精度最高可达8.67 bit。验证结果表明,本设计可提高电弧检测的准确性。     

基于误差估值累加开环校正的诱导式欺骗检测方法

诱导式卫星欺骗干扰可诱导航空器逐渐偏离预定航迹，难以被发现，因此及时有效地检测干扰是飞行安全的保障。在现有紧组合导航体制基础上，设计了一种基于误差估值累加开环校正的紧组合导航结构，并证明了其性能与传统闭环校正紧组合导航性能等效。在此结构中，将紧组合导航系统与自适应序贯概率比检测方法结合，提出了一种基于误差估值累加开环校正的诱导式欺骗检测方法，融合紧组合导航信息与其他不受欺骗影响的导航信息，构建欺骗检测统计量进行诱导式欺骗检测。仿真结果表明，开环校正结构可避免随时间累加的惯性导航系统误差所导致的组合导航滤波器发散问题，同时欺骗检测方法可进一步提高算法对“最坏”情形下微小诱导式欺骗的检测效果。     

瑶族女性头饰所反映的艺术元素在旅游文创产品设计中的应用

瑶族是我国的一个历史悠久的少数民族,瑶族女性的头饰是瑶族女性服饰的重要组成部分,具有极高的艺术水平和民族特色.现通过对瑶族头饰的起源、社会功能和艺术内涵等方面的分析,提炼出瑶族头饰的艺术元素的点、线、彩、法,并以此为依据设计了一组文创作品.将这些与众不同的瑶族头饰元素融入旅游文创产品设计中,不仅能促进旅游文化产业的发展,还能推进瑶族文化的传承与创新.     

小型饮料瓶盖颜色识别系统设计与实现

目的：解决当前饮料瓶盖检测系统功能单一、体积偏大、颜色识别率低的问题。方法：提出一种基于ARM处理器的小型饮料瓶盖颜色识别系统设计方案，通过仿真软件HyperLynx的LineSim工具设计四层PCB板，设置传输线参数并进行阻抗匹配仿真分析；利用编译软件Jupyter Notebook实现阈值设置、目标轮廓检测、目标框出等功能。结果：在强、弱光条件下，识别系统对红、绿、蓝3种颜色瓶盖的识别率达到92.7%。结论：与傅里叶描述子相比，该识别系统识别准确率和精度更高，同时系统也具有人脸识别功能，适用于各种智能应用场景。     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。     

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％.