有效因子综合偏好强度与CVaR整合优化模型

本文从股票多维特征因子中选择有效因子,融合形成最大化有效因子综合偏好强度(IPS)的附加理性,构建并验证IPS-均值-CVaR投资组合优化模型。基于沪深300股2006~2015年数据分析显示:(1)有效因子IPS投资组合优越于单因子投资组合;(2)IPS方法相较于因子打分法,具有更优的多维数据整合功效;(3)IPS-均值-CVaR投资组合优化模型相对于均值-CVaR模型具有更优越的资产选择能力,也拓展了投资组合模型的多维数据处理能力和适用性。     

多孔径激光阵列光束排布模式及误差对相干合成效率影响的研究

多孔径激光阵列相干合束是获得高功率、高亮度激光束的有效方法。为了设计更有效的多孔径激光阵列相干合成系统,主要分析了三光束"品"字形、七光束六角形、十九光束大六角等工程应用中的典型激光阵列排布模式对合成功率的影响,并基于MATLAB模拟了不同阵列排布情况下的激光相干合成情况,讨论光束排列的位置误差、发射光束光轴角度偏移误差以及各个相干合成阵列激光器之间的活塞相位误差对合成效率的影响。结果表明,不同的激光阵排布在观察位置处的光强分布差别很大;各光束之间的角度偏差越小,初始相位差越小,相干合成的效率越高。这些结果将对于指导设计多孔径激光阵列相干合成系统有重要意义。     

用Hirota双线性方法构造一种(3+1)维高维孤子方程的多孤子解

通过两种方法构造了一种(3+1)维高维孤子方程的孤子解.第一种方法是利用对数函数变换,将其化成双线性形式的方程,在用级数扰动法求解双线性方程的单孤子解、双孤子解和N-孤子解.第二种方法是用广义有理多项式与试探法相结合,构造了(3+1)维高维孤子方程的怪波解.     

基于虚拟中心电流法的 HL-2M快控电源数学模型

针对中国环流器2号M(HL-2M)装置中用于核聚变物理实验等离子体的垂直不稳定性控制的快控电源拓扑结构，充分考虑线圈的自感与互感对输出的影响，构建出数学模型，首次提出并运用虚拟中心电流法，使得控制算法更加简单，采用多输入多输出的控制方法，利用2个参量控制3个变量。本文基于基本供电方案得到多线圈耦合电压，基于快控电源拓扑推导出快控电源电路方程，再将其合并得到最终的线圈电压数学模型，最后进行仿真验证。结果表明数学模型搭建正确，为今后进行进一步计算提供了坚实的基础。     

采用组合引导磁场的多注二极管设计

分析了采用单一同轴磁场时强流相对论多注阴极的侧端发射问题,研究了在不同磁场内半径和多注漂移管长度情况下多注电子束的传输效率。研究发现:由于引导磁场尺寸有限,高压下多注阴极杆及多注阴极柱的电子束发射是影响多注电子束传输效率的主要因素,且该部分电子束对多注漂移管入口管壁的轰击直接影响了多注速调管的重频能力。设计了采用永磁铁和同轴磁场组合工作的强流相对论多注二极管,理论分析和模拟计算证明:基于组合磁场的多注二极管可明显减弱甚至抑制多注阴极发射球头以外的电子束发射,并且组合磁场的磁场位形和强度可满足强流相对论多注电子束的高效、稳定传输。     

分布反馈太赫兹量子级联激光器实现高功率单模输出

太赫兹量子级联激光器(THz QCL)是一种基于超晶格或耦合多量子阱中电子共振隧穿和子带间跃迁的单极光源,其辐射频率可通过能带和波函数设计进行调控,具有响应速度高、体积小、便于集成等优点。近年来,国际上多个科研团队展开了对THz QCL的密集研究,器件性能取得了显著的进展。针对THz QCL的实际应用,目前急切需要解决两个方面的问题:第一方面,受限于严重的大气衰减、光束合成等困难,急需解决THz QCL功率输出提升的问题。第二方面,研制窄线宽、高功率单模输出的太赫兹本振源。     

高分辨率微型星载相机光学系统的设计及应用

为了克服太空环境的复杂性，满足航天工程的空间使用要求，研制一款2 500万像素宽光谱共焦成像的微型星载相机光学系统。该系统适应卫星发射和在轨道运行的恶劣环境，具有抗冲击震动、耐太空高温差强辐射，体积小，质量轻等优点。设计的系统可在450 nm～800 nm的谱段内清晰成像，焦距181 mm，入瞳口径45 mm，视场角10.4°，边缘相对照度0.81，轴上点MTF:0.57@55 lp/mm，0.33@110 lp/mm，畸变1.2%，镜头质量622 g，外形尺寸Φ58.3 mm×117 mm，抗辐照性能≥5 krad。通过温度适应性的模拟和优化，用户进行?30 ℃～+70 ℃光学镜头热真空试验，可正常工作。该系统已成功应用于天宫二号伴飞卫星相机中，获得的图像清晰稳定，为空间遥感实验观测发挥了重要的作用。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。