一个前向安全的代理签名方案的分析与改进

对一种已有的安全代理签名方案进行了安全性分析,指出它的不安全性.然后,改进了这个方案,并分析了新方案的安全性.     

8×8 MEMS光开关阵列的制作

采用MEMS技术制作了静电驱动的扭臂结构8×8光开关阵列,主要包括上下电极的制作.利用硅在KOH溶液中各向异性腐蚀特性及(110)硅的结晶学特点,在(110)硅片上制作出8×8光开关微反射镜上电极阵列,考虑到在腐蚀时微反射镜有很大的侧蚀,对开关结构进行了调整.在偏一定角度的(111)硅片上制作了倾斜的下电极.整个开关制作工艺简单,成本低.开关寿命大于1000万次,开关时间小于10ms.     

POI共建LTE双路室分系统建设成本分析

详细论述了POI系统实现原理、POI系统技术特点、LTE室分双路常见解决方案;结合工程实际案例,着重论述了多家运营商是如何通过POI共建室分系统实现LTE室分双路建设方案的;详细分析了POI共建节约室分建设投资情况,为LTE双路室分系统共建方案的选取提供宝贵经验。     

用于平场光谱仪的非球面全息凹面光栅设计

基于全息凹面光栅理论和ZEMAX软件,设计了一种用于平场光谱仪的消象差平场非球面全息凹面光栅。与采用相同口径、相同相对孔径的全息凹球面光栅构成的平场光谱仪比较,在入射狭缝宽度相同的情况下,该光栅所构成的平场光谱仪的分辨率得到明显提高。同时,利用较大相对孔径非球面全息凹面光栅,可使平场光谱仪的结构更紧凑,从而可实现平场光谱仪的小型化。     

基于LabVIEW的伽玛能谱仪的设计

目前,绝大多数传统的伽玛能谱仪均是采用专用的多道分析器,整个系统缺乏共享性和灵活性,且价格十分昂贵。为了提高系统的互用性、灵活性,同时最大限度地降低成本,而采用虚拟仪器技术进行伽玛能谱仪的设计与开发。不仅可以充分利用计算机的丰富资源,且使用灵活、界面友好、成本低、易于扩充和修改。     

服务网络中基于改进蚁群系统的服务路径选择

结合图理论及社交网络分析,将服务之间的互操作关系引入服务计算的过程中,构建一种基于服务关系的服务网络.提出服务网络的概念,分析服务之间的4种交互关系及特点,详细讨论服务网络中基于服务关系的服务组合优化问题.应用图模型将服务网络中服务路径选择问题转化为图论中多目标路径优化选择问题,通过具有良好交互的服务节点构建数学模型,以最少成本代价为目标,应用改进蚁群系统算法寻求最优路径.实验结果证明了算法的可行性及有效性.     

快速轴流CO_2激光器

本文报道我们设计的快速轴流ＣＯ_２激光器和实验结果,激光器的光学谐振腔为三折Ｚ形折叠半共焦腔,输出耦合镜为ＧａＡｓ材料,透过率为７２％的,得到最大输出功率２５３０Ｗ,电光转换效率最高达到２４％。     

逆合成孔径成像激光雷达低信噪比稀疏多孔径成像方法研究

受目标非合作特性的影响,逆合成孔径成像激光雷达(ISAIL)回波存在缺失;同时受大气衰减和自然背景光等因素的影响,ISAIL回波信号信噪比较低,因此,常规的稀疏多孔径成像方法不再适用。针对上述问题,该文提出了一种结合压缩感知(CS)和权矩阵的稀疏多孔径成像方法。首先,通过基于CS的稀疏多孔径成像方法对原始数据处理,得到目标像的支撑域;然后,据此建立权矩阵,优化采用CS重构时的代价函数,对稀疏多孔径ISAIL原始数据进行成像处理,利用不完整的回波信号获得高分辨目标像。此算法具有较好的抗噪能力。采用室内ISAIL系统实测数据验证了算法的有效性。     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。