基于GMR传感器的电涡流检测系统关键技术研究

设计了一种基于巨磁电阻（GMR）的新型电涡流探头及其检测实验系统,重点阐述了系统的工作原理、系统各部分所采用的关键技术及设计中需注意的问题,并对多层铝板试件进行了检测实验研究。实验结果表明：设计的GMR电涡流探头在多层导电结构深层缺陷检测时,与相应的线圈式探头相比,具有更高的灵敏度和更强的深层缺陷检测能力。     

“微机原理与接口技术”课程教学改革创新探讨

"微机原理与接口技术"是重要的专业基础课,学生普遍反映该课程"难"、"活"、"繁",属于"困难课程"之一。本文介绍了我院"微机原理与接口技术"课程教学改革的一些具体措施以及经验。     

一种序贯Unscented卡尔曼滤波在微小型无人直升机导航系统中的应用

对于应用到微小型无人直升机上的低成本捷联惯导（SINS）/GPS组合导航系统来说,SINS Ψ角误差模型在描述低精度惯性器件误差时对误差项的忽略,使其无法满足SINS误差估计的要求.为了克服Ψ角误差模型的不足,本文建立了基于四元数的SINS非线性误差模型.该误差模型无需对失准角进行小角度假设.为了对组合导航系统中的SINS误差进行估计,提出一种序贯Unscented卡尔曼滤波方法.该滤波方法对观测向量进行序贯处理以降低算法的计算量.仿真结果表明,该滤波方法能有效提高低成本SINS/GPS组合导航系统的性能.     

基于I-Miner的聚类分析研究

数据挖掘是当今数据库系统研究和应用领域中的热点问题.聚类是数据挖掘中的核心问题.I-Miner是一个企业级的数据挖掘工具,利用I-Miner软件进行聚类分析,将聚类结果呈现丰富的可视化效果,通过S语言拓展软件功能,解决应用的特殊需求.     

弱标签声音事件检测的空间-通道特征表征与自注意池化

深度神经网络声音事件检测方法需要大量标记声音事件类别和起止时间的强标签音频样本,然而强标签标注非常困难和耗时.弱标签声音事件检测是解决这一困难的有效途径.本文将弱标签声音事件检测作为多实例学习问题,并基于卷积循环神经网络提出弱标签声音事件检测的空间-通道特征表征与自注意池化方法 .该方法研究多实例弱标签声音事件检测的特征表征和帧级预测结果池化两个方面的内容.在特征表征方面,为了增强卷积神经网络的特征表征能力,结合上下文门控和通道注意机制构建门控注意力结构并嵌入到卷积循环神经网络中,实现了音频样本特征的空间和通道特征选择;在预测结果池化方面,引入自注意思想设计音频帧预测结果的自注意池化方法,增强了音频样本中事件帧之间的相关度,使事件帧获得更大的权重.本文方法通过对卷积循环神经网络特征表征和预测结果池化的革新,有效提升了模型的检测性能.本文提出的方法在DCASE 2017任务4和DCASE 2018任务4数据集的评估集中分别取得了52.47%和31.00%的F1得分,性能优于当前绝大部分的弱标签声音事件检测方法 .实验结果表明：本文提出的空间-通道特征表征与自注意池化方法能显著改善弱标签声...     

计及多元不确定性的氢电耦合微电网多阶段动态规划方法

针对传统单阶段规划设计方法存在的初始投资成本高、源荷匹配性弱、经济性不足的缺点,提出了一种氢电耦合微电网多阶段动态规划方法,可确定各设备的最优配置容量和投资时机,并基于混合优化架构增强模型对多元不确定性的适应能力。其中,设备在规划周期内投资成本的波动不确定性特征以随机概率场景描述,可再生分布式电源出力和负荷需求不确定性则以不确定场景集合处理。在此基础上,进一步考虑微电网规划周期内的负荷增长率、设备性能衰退等动态因素,提升规划方案对未来动态信息变化的适用性,并最终构建随机-鲁棒混合整数线性规划模型描述微电网的多阶段动态规划问题。仿真结果表明,与传统的单阶段规划模型相比,所提方法的总成本降低近5.0%,初始投资成本降低近13.9 %,投资回收期缩短近32.9 %,有利于提升微电网规划方案的经济性。     

有源相控阵雷达TRM高功率微波在线测试系统

高功率微波（HPM）是系统电磁环境效应评估中的重要项目之一。针对有源相控阵雷达“前门”耦合窄带HPM效应评估需求,通过HPM效应评估不同试验方法比较分析,提出采用多端口高隔离“魔T”、耐高功率吸收式滤波器与隔离器等关键微波器件,构建基于传导注入法的收发组件（TRM）高功率微波效应评估实时在线测试系统,针对典型频段TRM开展效应试验,获取相应试验数据,验证了该测试系统是合理可行的。     

注意力增强和目标模型更新的红外目标跟踪算法

目的 多数以深度学习为基础的红外目标跟踪方法在对比度弱、噪声多的红外场景下,缺少对目标细节信息的利用,而且当跟踪场景中有相似目标且背景杂乱时,大部分跟踪器无法对跟踪的目标进行有效的更新,导致长期跟踪时鲁棒性较差。为解决这些问题,提出一种基于注意力和目标模型自适应更新的红外目标跟踪算法。方法 首先以无锚框算法为基础,加入针对红外跟踪场景设计的快速注意力增强模块以并行处理红外图像,在不损失原信息的前提下提高红外目标与背景的差异性并增强目标的细节信息,然后将提取的特征融合到主干网络的中间层,最后利用目标模型自适应更新网络,学习红外目标的特征变化趋势,同时对目标的中高层特征进行动态更新。结果 本文方法在 4 个红外目标跟踪评估基准上与其他先进算法进行了比较,在 LSOTB-TIR(large-scale thermalinfrared object tracking benchmark)数据集上的精度为 79.0%,归一化精度为 71.5%,成功率为 66.2%,较第 2 名在精度和成功率上分别高出 4.0%和 4.6%;在 PTB-TIR(thermal infrared pedestrian tracking benchmark)数据集上的精度为85.1%,成功率为 66.9%,较第 2 名分别高出 1.3% 和 3.6%;在 VOT-TIR2015(thermal infrared visual object tracking)和VOT-TIR2017 数据集上的期望平均重叠与精确度分别为 0.344、0.73 和 0.276、0.71,本文算法在前 3 个数据集的测评结果均达到最优。同时,在 LSOTB-TIR 数据集上的消融实验结果显示,本文方法对基线跟踪器有着明显的增益作用。结论 本文算法提高了对红外目标特征的捕捉能力,解决了红外目标跟踪易受干扰的问题,能够提升红外目标长期跟踪的精度和成功率。     

基于共享近邻和优化关联策略的边界剥离聚类

边界剥离聚类算法(BP)是一种基于密度的聚类算法,它通过逐渐剥离边界点来揭示聚类的潜在核心,已经被证明是一种十分有效的聚类手段.然而, BP算法仍存在一些不足之处:一方面,数据点的局部密度仅考虑了距离特征,使得边界点的确定不够合理;另一方面, BP算法中的关联策略容易误判异常值,并且在分配边界点时容易产生连带错误.为此,本文提出了一种基于共享近邻和优化关联策略的边界剥离聚类算法(SOBP).该算法使用了基于共享近邻的局部密度函数来更好地探索数据点之间的相似性,同时优化了BP算法中的关联策略,使得每次迭代中边界点不再仅与一个非边界点进行关联,并进一步采用了边界点与非边界点、已剥离边界点之间的双重关联准则.在一些数据集上的测试表明,相较于其他6种经典算法,该算法在评估指标上表现更佳.