1.3μm固体激光器研究进展

1.3μm波段固体激光器在多领域均有着重要作用,本文介绍了近20年来国内外不同晶体材料输出1.3μm波段激光的研究进展,包括几种常用的晶体如YAG、YVO₄、GdVO₄以及其他晶体。通过分析认为,对新材料、新机制的探索与应用是未来1.3μm波段激光器的主要发展方向。     

激光-载荷联合作用下天然乳胶烧蚀实验研究

为了摸清激光辐照橡胶类气象气球等空中目标的效应规律,为后续开展外场试验提供依据,本文进行了激光-载荷联合作用下天然乳胶材料烧蚀性能实验研究。采用1085 nm光纤固体激光器,对天然乳胶材料进行了激光辐照效应实验,研究了激光和载荷共同作用下材料的烧蚀性能,结果得到：材料主要发生热解、烧蚀穿孔和断裂破坏;在同等功率密度光斑辐照条件下,材料破坏时间随载荷增加先增加后减小;在同等加载条件下,材料破坏时间随辐照功率密度增加而减小。     

自加热非晶锗热电阻MEMS流速传感器的制造与测试

为扩大流速传感器的测量范围并降低功耗,制造并测试了一种基于自加热非晶锗薄膜热电阻的MEMS流速传感器,它是由嵌入氮化硅薄膜的四个非晶锗热敏电阻和一对环境测温补偿电阻组成。四个非晶锗热电阻同时作为自加热热源和测温元件,相互连接以形成惠斯通电桥。给出了MEMS工艺流程,微加工制造了尺寸为8.9 mm×5.6 mm×0.4 mm的流速传感器芯片。搭建了低流速和高流速气流通道实验装置,对传感器的惠斯通电桥施加50μA的恒定电流(CCA),实现了0～50 m/s范围内的流速测量。结果表明,传感器在低流速(0～2 m/s)时的灵敏度约为81.6 mV/(m/s),在高流速(2～50 m/s)时的灵敏度约为51.9 mV/(m/s),最大功耗仅约为1.03 mW。     

基于ZigBee室内定位算法研究

研究了基于信号强度的 ZigBee 定位算法,以接收信号强度指示(RSSI)定位算法为基础。通过全局坐标系中已知的参考节点位置以及与各个参考节点之间的信号强度,分析计算得到盲节点的坐标位置,即室内移动机器人当前的坐标位置。通过实验研究和数据分析,可以借助 ZigBee 低功耗及组网稳定等特性对室内定位领域有进一步的理解和应用。     

基于群智能的集中供暖系统水力管网控制策略优化

针对集中供暖系统管网水力失衡、流量供需失衡问题提出一种基于群智能的新型分布式优化算法.首先以系统输配送能耗最小为优化目标,将其分解为管网调节阀开度优化和换热站并联水泵运行优化两个子问题求解;其次建立调节阀模型和管网水力模型,在此基础上进行调节阀开度的优化,从而计算出系统最小供回水压差;然后基于改进的交替方向乘子法完成并联水泵的优化运行;最后以集中供暖系统实例验证算法性能.实验结果表明:相比传统集中式求解算法,该算法不受水利管网规模限制,利于实现工程中即插即用;相比其他分布式算法,该算法不仅求解速度快,而且可以得到较优的管网运行策略,节能效果较为显著.     

基于机器学习的超声造影分析综述

超声造影（Contrast-enhanced ultrasound, CEUS）通过外周静脉注入超声造影剂,显著增强来自肿瘤微血管的血流信号,便于临床医生以实时、动态的方式评估肿瘤血管生成、周边浸润等,广泛应用于多器官病变诊断、预后评估和治疗方案规划等方面。近年来,以深度学习为代表的机器学习方法快速发展,为动态超声造影智能分析带来新的机遇。深度学习方法很大程度上拓宽了超声造影临床应用范围,提高了其诊疗效能。但与常规超声影像类似,超声造影仍然存在斑点噪声、呼吸运动干扰和标准化程度低等问题,使得动态灌注时间、空间信息挖掘面临挑战。本文系统性回顾了近年来超声造影智能分析相关工作,涵盖良恶性鉴别、恶性分级、疗效预测和诊疗方案选择等方面应用,总结了当前影像组学及深度学习方法在超声造影分析领域的最新进展,并指出当前研究的局限性和未来发展方向。     

基于多变量形态学特征的健康老年人认知发展预测算法

由于体积、表面积等常规形态学指标对于皮层下核团而言过于笼统,因此传统的形态特征获取手段难以检测到其表面形态的细微变化。为解决这一问题,本文提出了一种针对皮层下核团的精细特征提取算法,并将其应用到老年人认知状态预测任务上。通过表面共形参数化、表面共形表示和基于互信息的表面流配准,提取了46名被试双侧海马和杏仁核各15 000×2个顶点上的形态学特征;通过斑块选择、稀疏编码与字典学习,和最大池化的降维流程,避免了维度诅咒的同时充分保留了核团的纹理信息;最后,以树为弱学习器,采用GentleBoost算法集成了最终的强分类器做认知预测。结果显示,仅纳入海马和杏仁核两个皮层下结构的新颖特征,即可达到85%的预测准确率,为皮层下结构的精细特征发掘提供了新思路。     

基于实时视频感知的虚拟体育交互系统

针对疫情常态化背景下,传统体育项目受场地、器材等限制,市场上相关产品价格昂贵、可扩展性不足等问题,提出了一种基于实时视频感知的虚拟体育交互系统.该系统设计视频数据采集模块和人体关节点提取模块,结合OpenPose获取人体的关节点坐标,实时捕捉人体手势以及肢体动作.动作语义理解模块包括运动动作理解和绘图动作理解.前者根据运动中肢体关节点的相对位置关系,识别运动动作语义.后者将手腕部关节点绘图动作轨迹生成为草图图像,使用AlexNet进行识别分类,解析为对应的绘制动作语义.该模型在边缘端设备的分类准确率为98.83%.采用基于Unity设计的草图游戏应用作为可视化交互界面,实现在虚拟场景中的运动交互.该系统使用实时视频感知交互方式实现居家运动健身,无需其他的外部设备,具有更强的参与度和趣味性.     

集群环境中微服务容器资源特征分析及优化

在集群环境中部署微服务已经成为微服务部署的重要方式.由于不同种类服务对于CPU、内存、磁盘等资源的需求不同,导致集群中的节点产生资源碎片、出现资源消耗倾斜.如何提高集群资源利用率、降低集群能耗,成为继保障服务级别协议(service level agreement, SLA)之后的重大挑战.本文以阿里巴巴集团2021年发布的近两万个微服务的详细跟踪为数据样本,从容器资源使用情况、节点部署特征和资源消耗偏好等多个维度出发,分析其集群资源消耗特征,发现集群中出现了资源消耗倾斜的情况.通过进一步分析节点中容器部署情况发现容器资源分配不合理加剧了这一现象.基于此我们提出了一种使用深度双Q网络的模型,依据上游服务资源需求的实时变化,对容器资源分配进行优化.对比实验结果表明该方法可以在保证服务SLA的情况下有效提高容器资源利用率,改善节点资源消耗倾斜的情况.     

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.