铌酸锂干法刻蚀的研究进展

概述了近年来国内外对铌酸锂(LN)晶体干法刻蚀技术的研究进展。根据刻蚀原理和特点,现有的LN干法刻蚀技术可分为等离子体刻蚀、激光微加工技术和Ti扩散电化学刻蚀。对各刻蚀方法及其研究进展进行了总结,分析了不同干法刻蚀方法之间的区别和联系,并对各方法中存在的问题进行了探讨。其中等离子体刻蚀技术由于其良好的图形转移特性,得到了最广泛的应用;激光微加工技术在制备光子晶体结构和微光栅结构中具有独特的优势;Ti扩散电化学刻蚀LN为制备大尺寸的LN基结构指明了新的方向。     

色噪声背景下正弦参量估计的互谱矩和SVD方法

互谱估计方法是用于色噪声背景下正弦信号参量估计的一个十分有效的方法，但以往互谱估计都是采用ＦＦＴ广泛和互周期图法，本文首次将现代谱估计方法引入到互谱估计中，从理论上建立了互相函数的Ｙｕｌｅ－Ｗａｌｋｅｒ方程，并并在此基础上进而提出了互谱估计的矩估计法和ＳＶＤ方法，给出了仿真实例结果。     

基于流变学的CNTs/SBS复合改性沥青性能及储存稳定性研究

为了探究碳纳米管(CNTs)对苯乙烯-丁二烯-苯乙烯嵌段共聚物(SBS)改性沥青的高低温性能及储存稳定性的改善效果,采用动态剪切流变试验(DSR)与弯曲梁蠕变试验(BBR)对CNTs/SBS复合改性沥青的流变特性进行评价,并基于软化点差值、流变学指数和荧光显微镜图像分析胶结料中聚合物分散状态。结果表明：CNTs加入后进一步增强了SBS改性沥青的高温抗车辙性能,且随CNTs掺量增加,高温性能逐步提升。CNTs的加入对改性沥青低温蠕变性能有不利影响,1.0%CNTs掺量下复合改性沥青更具性能效益。CNTs可以显著地提升SBS在沥青中的分布状态,CNTs与SBS形成均匀网状结构,在提升储存稳定性的同时具备增强沥青抗变形的能力,且CNTs的最佳掺量为1.0%。     

一种基于变化检测技术的SAR图像舰船目标鉴别方法

该文引入变化检测思想,利用SAR图像中海杂波和目标之间的灰度差异,通过对潜在舰船目标切片的目标像素和背景像素进行分离,计算目标像素聚集度(TPAM)特征,实现对高亮像素在图像切片中聚集程度的定量评估,从而鉴别目标切片中是否包含有舰船目标,有效去除杂波虚警。首先,基于感兴趣区域(ROI)切片中心为目标像素及四周为海杂波的合理假设,构建似然比变化检测量获取差异图像;然后,利用KSW熵阈值选择方法实现差异图像中目标像素和海杂波像素的自动分离,生成二值图像;最后,利用切片中心像素为种子点,对二值图像进行区域生长,计算目标像素聚集度特征,并判断目标切片是否包含舰船目标。基于RADARSAT-1 SAR实测数据的实验结果表明,该文方法得到的目标像素聚集度特征计算简单、稳健性好、可区分度高,具有良好的鉴别性能,能够去除大部分海杂波干扰产生的虚警,有效地降低目标检测虚警率。     

色噪声背景下正弦参量估计的互谱矩和SVD方法

互谱估计方法是用于色噪声背景下正弦信号参量估计的一个十分有效的方法。但以往互谱估计都是采用FFT方法和互周期图法。本文首次将现代谱估计方法引入到互谱估计中,从理论上建立了互相关函数的Yule-Walker方程,并在此基础上进而提出了互谱估计的矩估计法和SVD方法。给出了仿真实例结果。     

盲信号分离技术综述

盲信号分离是现代信号处理领域的研究热点,它在通信、生物医学．语音处理等方面体现出巨大的应用潜力。本文回顾了盲分离技术二十多年的国内外发展历程．并从混合模型的角度．简要介绍了瞬肘混合,卷积混合和非线性混合的数学模型,重点归纳整理了各模型对应的主要求解方法和特点．最后总结了盲信号分离的未来研究方向。     

存在阵列误差条件下的信号波达方向和多普勒频率估计

在均匀线阵存在阵列误差的情况下，提出了一种信号波达方向和多普勒频率估计方法。首先建立了阵列误差模型，采用总体最小二乘法和最大似然法，估计出多个信号的波达方向和多普勒频率，并分析了相位模糊性及给出了解模糊方法。仿真结果表明，此算法是有效的，并具有一定的稳健性。     

基于偏好DEA模型的防空导弹阵地选择

运用偏好DEA模型对防空导弹阵地进行优选,建立评估指标体系和AHP偏好锥DEA模型,计算横切效率,以解决多个DEA有效备选阵地的排序问题,用算例验证了模型的合理性.     

混合色噪声下：可消除谱估计伪峰的多正弦信号率估计互谱奇异值分解方法

本文依据对正弦谐波信号的扩阶互相关函数矩阵的特征分析,提出消除扩阶方程产生的谱估计伪峰的理论及方法,仿真结果表明本文所提出的互谱异值－整体最不二乘法（SVD－LS）可完全消除谱估计伪峰,从而提高了谱分辨率及噪声抑制能力。     

基于多尺度分析的电力月负荷预测

介绍了小波分析原理及多尺度分析法。根据月度负荷的增长和波动趋势，利用多尺度分析法将月度负荷序列进行分解，采用灰色理论法和神经网络法对序列进行预测，建立了优化预测模型，该模型优于只考虑单一发展趋势的负荷预测模型。计算结果表明，该方法可以明显提高月度负荷预测的精度。