能量收集认知多跳中继网络中断性能分析及优化

针对能量收集认知无线网络中的多跳中继传输问题,该文构建了一种新的具有主网络干扰的功率信标(PB)辅助能量收集认知多跳中继网络模型,并提出单向传输方案.在干扰链路统计信道状态信息场景下,推导了次网络精确和渐近总中断概率闭合式.针对精确总中断概率表达式的复杂性和非凸性,采用自适应混沌粒子群优化(ACPSO)算法对次网络总中断性能进行优化.仿真结果表明,PB功率、干扰约束、次网络跳数、能量收集比率、主接收端数目和信道容量阈值等参数对中断性能影响显著,所提算法能快速和有效地对网络中断性能进行优化.     

预警机指挥多编队作战中的威胁评估算法研究

在预警机指挥下的多编队作战中,态势评估和目标分配是关系到作战结果好坏的重要问题.作为态势评估的一部分,威胁评估是进行合理的目标分配的前提.基于多属性决策的原则,分析了影响目标编队威胁程度的重要因素,建立了预警机指挥多编队作战的威胁评估模型.运用适合多编队多机型作战分析的平均数动力学方法,提出了计算目标编队威胁程度的算法,并验证了模型的有效性.     

自适应光电混合互连分流结构建模与性能分析

针对片上光电混合互连网络(hybrid optoelect ronic network-on-chip,HONoC)拥 塞控制与自适应能力差、无法实现光电联合仿真等问题,提出一种适用于可重构阵列处理器 的自适应光电混合互连分流结构,在此结构上设计了自适应分流路由算法与一种低损耗无阻 塞的5端口光路由器,并搭建了基于System verilog与Verilog的光电混合互连功能仿真与 性能统计模型。实验结果表明,在边缘节点阻塞的情况下所设计的路由算法避免拥塞能力平 均提升了17.5%,光路由器所需交叉波导与微环谐振器数量大幅减少,平均光路由器级插入 损耗仅为0.522 dB,所设计的光电混合互连性能统计模型具有支持 设计拓扑、结构和路由策 略等功能,并且可以对资源使用、功耗开销、插入损耗等性能进行统计分析。     

基于孪生网络的轻量级高速跟踪算法

孪生网络跟踪算法将跟踪问题转换为相似性匹配问题引起广泛关注,然而,多数算法无法在移动端或算力不足的嵌入式设备上实现工程应用.为此,提出了一种基于孪生网络的轻量级高速跟踪算法.该算法以特征提取能力良好且参数量少的MobileNetV2作为主干网络,通过组卷积、Crop等操作进一步减少网络参数量,提高网络运行速率;通过在倒...     

基于周期压力写入的长周期光纤光栅的一阶光学微分器

根据一阶光学微分器的传递函数,理论分析了均匀 长周期光纤光栅(LPFG)作为一阶瞬态光学微分器应满足的条件。周期压力产生的LPFG能够通 过压力的控制加强光栅的模式耦合,因而得到大的光栅谐 振损耗,实验证明了周期压力在细径光纤上产生的LPFG能够产生大于50dB的谐振损耗。数值模拟结果表明,此光栅光 学微分器能够高精度地完成对高斯脉冲的微分运算,在超快全光信号处理、飞秒脉冲整形和 任意光脉冲产生等领域中有宽广的应用前景。     

基于高阶循环累积量的OFDM-弹性光网络信号调制格式识别

将高阶循环累积量引入基于正交频分复用(OFDM)的弹性光网络(EON)的调制格式识别中。通 过计算OFDM信号不同调制格式(BPSK、QPSK、16QAM和64QAM)的高阶循环累积量,给 出了OFDM-EON信号不同调制格式的识别阈值区间,并采用仿真方法验证了该区间的 识别准确率。结果表明,利用所提出的识别阈值区间,对波特率为28G的OFDM-EON信号(各 子载波随机设置调制格式)进行调制格式识别,在光信噪比(OSNR)为34dB时,子载波调制格式的识别准确率可达到100%。     

光纤材料锗缺氧中心与环结构特性研究

利用密度泛函理论(DFT)研究光纤材料中锗缺氧中 心(Ge-DDC)与环 结构特性,建立基于三环结构的Si-O-Si结构模型和Ge-ODC模型;同时,通过紫外可见光 (UV-Vis)吸收与拉曼测试分析研究光纤材料的微结构 特性。理论分析结果表明:对于未掺杂Ge的光纤材料,其带隙为8.36eV左右;而对于掺杂Ge元素的光纤材料,其带隙为 5.0eV左右,会在242nm波长处形成一个吸收 中心,并且它与Ge-ODC缺陷中心的吸收中心相 对应。在Ge-ODC缺陷结构中,其三环 Si-O-Si结构与Ge原子之间存在紧密联系。当掺Ge的光纤材料经辐照处理后,光纤材料中 容易产生GeE′和SiE′缺陷中心。光纤材 料受到不同剂量辐照后,光纤材料中的三环结构数量随着剂量的增加而减少。研究结果表明 ,石英材料中Ge-ODC缺陷结构容易产生 于环结构周围,并容易受到外界能量的影响。Ge-ODC与环结构特性的理论研究,对 超低损耗石英光纤的制备与设计具有重要的实际应用意义。     

基于改进U-Net的SPECT骨显像病灶分割研究北大核心CSCD

在核医学中,单光子发射计算机断层(single-photon emission computed tomograpy,SPECT)骨显像是辅助医师诊断癌症的重要手段。针对骨显像图像信噪比低、边界模糊、病灶小难以提取和人工勾画病灶耗时等问题,提出一种基于改进U-Net网络的骨显像病灶自动分割算法。该算法在U-Net的原卷积块基础上,采用了多尺度密集连接(multi-scale dense connection,MDC)的方式来提高对小病灶特征的提取能力,同时解决了网络加深后出现的梯度消失问题。其次,为提取病灶的细节特征,在密集连接和跳跃连接处引入了注意力机制结构。最后,针对使用小样本数据集,模型难以收敛的问题,采用迁移学习的方法,优化了模型的初始参数,提升模型的泛化能力和分割效率。此外,为了降低计算量、进一步提高分割效果,对数据集进行了裁剪和去噪。同时,将处理后的图像采用旋转、镜像等方法进行了数据扩充。实验结果表明,改进的U-Net的识别精确率(precision)、平均交并比(mean intersection-over-union,mIoU)分别能达到0.7352、0.4673,效果优于目前主流的分割算法,具有一定实际应用价值。