一种基于期望信号预减除的稳健自适应波束形成方法

针对自适应波束形成中的期望信号自消除问题,提出一种干扰加噪声协方差矩阵重建稳健自适应波束形成方法。算法具有较低的计算时间复杂度。该方法首先使用波达方向估计技术得到期望信号的波达方向,其次对每两根相邻天线的接收信号进行特定的加权相减,能够减除阵列信号中的期望信号成分,继而得到不含期望信号且保留了干扰加和噪声的更新阵列信号,再次,使用更新阵列信号计算干扰加噪声协方差矩阵,最后计算得到加权矢量。理论分析给出了减除期望信号过程的原理和算法的复杂度,仿真结果表明,在16阵元情况下,所提算法的输出信干噪比(Signal to Interference plus Noise Ratio,SINR)性能比最优值低0.52 dB,因自由度损失造成的性能损失小于0.3 dB,综合性能优于其他对比的方法。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。     

生物光声成像中声反射伪影抑制方法的研究进展

生物光声成像(Photoacoustic Imaging,PAI)是一种新型的无创复合功能成像方法.生物组织不均匀的声学特性会使超声波在组织界面处发生反射,导致重建图像中存在伪影和失真,降低图像质量和成像深度.文中综述了目前抑制PAI声反射伪影的主要方法,包括延迟相减法、基于杂波去相关理论的方法、短滞后空间相干法、基于深度学习的方法、光声引导聚焦超声法、基于超声平面波模型的方法和多波长激励的方法等,详细介绍各方法的原理,分析其优势和不足,并展望未来的研究趋势.     

跌坎式底流消力池边墙突扩宽度对池长的影响研究

对于山区峡谷,底流消能工长度方向工程布置往往受限。通过水工模型试验,研究跌坎深度10cm,跌坎式底流消力池边墙突扩宽度变化时,池内水流流态、底板时均压强及脉动压强不均匀系数的变化对消力池池长的影响。成果表明:流量Q=12L/s,相对于传统的底流消力池,突扩宽度由5cm依次增加到10、15、20cm时,消力池池长缩短长度分别为24、27、29cm。     

赋能通信技术原理及应用展望

针对VHF/UHF频段电台仅能视距通信的应用局限,提出了一种基于对流层散射传播体制的赋能通信技术,并对其原理进行了介绍。该技术在不改变现役VHF/UHF电台硬件结构的前提下,通过建立赋能站和加载对流层散射通信波形,可以在VHF/UHF电台与赋能站之间实现可靠的超视距通信。通过理论分析、信道特性试验以及通信试验证实了该技术的可行性。最后对该技术的应用前景进行了分析。对实现多个被动传感器的优化选择和合理布站,提高目标定位精度有一定的理论和实际意义。     

（S）-噻吗洛尔半水合物的合成及表征

为了开发β受体阻断剂新药（S）-噻吗洛尔半水合物，采用3-吗啉-4-氯-1，2，5-噻二唑为起始原料，经水解反应得到中间体1（3-吗啉-4-羟基-1，2，5-噻二唑）。中间体1与R-环氧氯丙烷发生醚化反应，经后处理及重结晶得到中间体2 {（R）-4-［4-（环氧乙烷-2-基甲氧基）-1，2，5-噻二唑-3-基］吗啉}。中间体2经胺化反应、马来酸成盐及重结晶得到（S）-马来酸噻吗洛尔。（S）-马来酸噻吗洛尔经游离、纯水转晶得到符合药典标准的（S）-噻吗洛尔半水合物，总收率14.05%且e.e.值为99.66%。最终成品经IR、1H-NMR、13C-NMR、MS、TGA、DSC表征，并优化各步反应条件。结果表明:以三乙胺为醚化反应缚酸剂75 ℃反应最佳；以乙醇为胺化反应溶剂46 ℃反应16 h最佳；S-噻吗洛尔的转晶拆分以水作溶剂，比传统不对称合成工艺安全稳定，操作简单，适合工业化生产。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。