基于TOPSIS模型的机场网络节点重要度评估

在机场网络中单个机场节点的失效往往会对其他的节点产生影响,特别是关键节点的失效会波及整个网络.准确客观的识别重要节点机场关乎整个机场网络的安全运营.本文分析了机场网络拓扑特性中的度、集聚系数和接近度指标,考虑了机场旅客吞吐量和所在城市人口等交通经济特性指标,使用熵权法确定权重的基础上,应用TOPSIS法构建综合评价体系模型,最后以华东地区机场网络为例进行节点重要度排序.结果表明与单一指标的评估结果相比,该方法更加全面客观的确定不同属性指标的权重,避免了不同指标取值的差异性,使评价更加全面,更符合机场网络实际运营情况.     

硅和锗纳米线的原子排布和电荷分布的密度泛函紧束缚方法研究

低维硅锗材料是制备纳米电子器件的重要候选材料，是研发高效率、低能耗和超高速新一代纳米电子器件的基础材料之一，有着潜在的应用价值。采用密度泛函紧束缚方法分别对厚度相同、宽度在0.272 nm~0.554 nm之间的硅纳米线和宽度在0.283 nm~0.567 nm之间的锗纳米线的原子排布和电荷分布进行了计算研究。硅、锗纳米线宽度的改变使原子排布，纳米线的原子间键长和键角发生明显改变。纳米线表层结构的改变对各层内的电荷分布产生重要影响。纳米线中各原子的电荷转移量与该原子在表层内的位置相关。纳米线的尺寸和表层内原子排列结构对体系的稳定性产生重要影响。     

介观电路中量子纠缠的经典对应

从量子力学诞生日起,它的经典对应(或类比)一直是物理学家关心的话题.本文以介观电路量子化的框架中,带有互感的两个介观电容-电感(LC)电路为例,首次讨论了量子纠缠的经典类比(或对应)问题.先用有序算符内的积分理论证明其互感是产生量子纠缠的源头;再推导出求解特征频率的公式,就发现它与一个经典系统的小振动频率的表达式有相似之处,该经典系统组成如下:两个墙壁各连一个相同的弹簧,两个弹簧之间接着一个滑动小车可以在光滑的桌面上运动,小车挂有一根单摆.用分析力学求此系统的小振动频率,发现与上述介观电路的特征频率形式类似,单摆的摆动会造成小车来回振动,摆、小车和弹簧的互相牵制效应反映了小车和摆的"纠缠".     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

激光实验诊断集成管控系统中人工智能技术应用

针对激光聚变实验中诊断系统种类多、原理各异、排布变换频繁等特点，发展了基于流程驱动的诊断集成管控系统。对控制节点中依赖经验以及人工判读的测量系统参数配置、系统瞄准、多诊断系统空间干涉等操作流程，开展基于深度学习技术的示波器量程智能化设置、自动瞄准以及空间干涉预警技术等诊断系统智能化控制方法的初步探索。     

惯性约束聚变实验中空间干涉检测与预警系统设计

针对惯性约束聚变实验中多诊断系统在有限空间同时作业引发碰撞风险的问题，设计了基于碰撞目标检测和空间距离测算方法的空间干涉检测与预警系统，分析了真空靶室特定环境下不同实现方法的适用条件和可行性。实验室条件下模拟验证结果表明，基于结构光深度图像获取方法可获得较好的碰撞距离测量精度，在靶室半径探测距离内空间测距误差不大于3cm，为靶室空间干涉检测与预警提供了一种可行的解决方案。     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。