课程思政视域下纺织材料教学方法与实践路径

纺织材料是纺织专业的基础课程之一,其涉及面广,实用性强。在纺织材料教学中,除了传授专业知识,培养学生的综合素质也至关重要。课程思政视域下,将思想政治教育融入专业课程教育是当前高等教育的重要任务之一。文章基于纺织材料教学现状,探索将课程思政理念融入纺织材料教学的方法和路径,以期培养合格的具有良好综合素质和社会责任感的青年学生。     

基于实测数据的直升机调频步进SAR成像

调频步进信号的合成对径向速度非常敏感,而直升机飞行不平稳,抖动很大,在径向速度和加速度上都有很大的变化,对信号合成造成很大的影响.文中在详细推导径向速度影响下的步进频凋信号合成和斜视模式下运动补偿的基础上,提出先利用单个子脉冲数据估计运动参数进行运动补偿,在运动补偿的基础上再做合成的方法,较好地解决了飞行不平稳情况下的调频步进合成孔径雷达成像的问题.     

一种新的频域带宽合成的斜视高分辨SAR成像方法

针对步进频信号带宽合成存在相位跃变的问题,提出一种新的频域带宽合成方法.由于雷达与目标相对运动是导致合成频谱相位跃变的主要原因,因此,该方法根据雷达与目标相对运动的斜距形式对各个子脉冲引入的相位误差进行补偿.文中采用了改进的步进频数据处理方法,首先对子频带进行脉冲压缩,然后进行带宽合成、二次距离压缩及徙动校正,从而避免了子频带进行徙动校正后对带宽合成的影响.在完成带宽合成后,采用调频变标(Chirp Scaling,CS)算法得到了斜视二维高分辨合成孔径雷达(Synthetic Aperture Radar,SAR)图像.为了证明该方法的有效性,给出了仿真及实测数据的处理结果.由理论仿真与实测数据的对比分析可知,该方法有效地实现了窄带步进频信号合成宽带信号.     

基于多视角快拍InSAR干涉技术的前视SAR三维成像

该文提出了一种基于多视角快拍InSAR干涉技术的前视SAR 3维成像方法。方位维依靠安置实际线性阵列以实现方位维高分辨,对应雷达发射的一次脉冲实现一次快拍2维高分辨成像;利用多次快拍不同视角获得的干涉相干相位,通过多基线InSAR联合像素处理方法,估计场景的高程信息。该文的3维成像方法对应回波数据录取时间短,数据量和运算量比较小;同时,多基线InSAR联合像素处理方法利用信号空间与噪声空间的正交性,能够有效提高信噪比,保证较高的测高精度。仿真结果验证了该文分析的正确性和算法的有效性。     

锅炉汽包瞬态温度场计算新方法

利用反推法求解锅炉启停及变负荷运行过程汽包温度场,建立数学模型,并将计算结果与理论计算结果相比较。结果表明,该方法计算准确度高,可以应用于实际工程。     

基于运动误差补偿的弹载SAR成像CS算法

针对弹载SAR在成像过程中复杂的运动状态,建立了斜视匀加速运动模型,在此基础上,通过补偿运动误差,将运动模型简化为正侧视匀速运动模型,进而应用经典CS算法,对点目标进行成像。仿真结果表明该方法可有效完成加速度补偿,实现点目标的清晰成像。     

锅炉汽包温度场在线监测新技术

在锅炉汽包外壁设置传感器获取外壁测点温度,利用反推法求解锅炉启停及变负荷运行过程瞬态汽包温度场,并将此在线监测结果与ANSYS软件离线模拟结果相比较。结果表明,该在线监测技术准确度高,可以放心应用于实际工程。     

基于线性调频步进ISAR参数估计和成像算法研究

本文在建立了线性调频步进ISAR回波信号模型的基础上,对线性调频步进ISAR信号特性进行了分析,指出径向速度和加速度将严重影响线性调频步进ISAR成像;因此,为了得到更好的ISAR图像,本文提出了一种新的基于线性调频步进ISAR的成像方法,充分利用距离时域包络和方位多普勒信息对径向速度和加速度进行精确的估计,同时在数据中对运动参数加以补偿,并最终实现方位多普勒成像;而且,该方法还适用于较低信噪比情况下的ISAR成像;在最后,本文给出了线性调频步进ISAR成像的详细步骤,并用不同信噪比的仿真数据验证了本文所提出方法的可行性。     

低信杂(噪)比情况下机载雷达的舰船目标成像

传统的针对飞机目标的成像方法一般要求高信杂(噪)比以保证回波的强相关性,然而受海杂波和噪声的影响,舰船目标回波的信杂(噪)比可能不高.本文提出一种低信杂(噪)比情况下机载雷达对舰船目标的成像方法.该方法首先对回波数据进行慢时间尺度变换,去除距离频率-方位时间的二次耦合,再采用最小熵准则对包络斜率进行搜索,校正剩余的距离走动,最后利用分数阶傅立叶变换对多个散射点的参数进行估计,得到舰船目标的瞬态像.理论分析及实测数据的成像结果表明,针对低信杂(噪)比数据的处理,该方法优于传统方法.     

纹理异常感知SAR自监督学习干扰抑制方法

面对日渐复杂的电磁干扰环境,合成孔径雷达干扰抑制已成为亟须解决的难题。现有主流合成孔径雷达非参数/参数化干扰抑制方法,严重依赖干扰先验和强能量差异,存在计算复杂度高、信号损失严重等问题,难以满足对抗日益复杂的干扰的需求。针对上述问题,该文提出一种基于纹理异常感知的SAR自监督学习干扰抑制方法,利用正常雷达回波与干扰的时频域纹理差异性特征克服干扰先验的约束。首先,构建了一种干扰时频定位网络模型Location-Net,对雷达回波时频谱进行压缩重构,根据网络的重构误差对干扰进行时频定位;其次,针对干扰抑制损失问题,构建了一种信号修复神经网络模型Recovery-Net,实现对干扰抑制后回波信号损失修复。相比传统方法,所提方法克服对干扰先验的需求,可有效对抗多种复杂干扰类型,具备较强的泛化能力。基于仿真和实测数据的抗干扰处理结果,验证了所提方法对多种有源主瓣压制干扰的有效性,并通过与3种现有抗干扰方法进行对比,体现了该算法的优越性。最后,对比了所提神经网络与主流轻量化神经网络的复杂度差异,结果表明设计的两个神经网络计算复杂度更低,具备实时应用前景。