一种新的LDPC译码算法及其硬件实现

介绍了LDPC编译码技术,提出了分层修正最小和算法并对该算法进行了定点仿真和硬件实现.仿真结果和硬件实现表明,该算法性能优良并能降低迭代次数以提高吞吐量.     

牙髓微弱荧光信号检测与采集研究

为了检测牙髓活力状况,将激光诱导荧光技术应用于牙髓活力检测中,基于牙髓荧光反射光纤输出微弱信号基础上,利用光电倍增管作为荧光信号检测的探测器,设计与分析微弱荧光信号的检测电路;利用单片机与12位A／D转换器为数据采集核心,设计单片机采集荧光信号的电路,并通过单片机通讯接口,结合计算机数据采集系统,完成牙髓荧光数据处理与显示。     

提高模数转换器性能的方法

介绍了在进行数据采集系统设计中，针对输入信号量程减小导致分辨率降低的问题和频率提高导致转换速率不能满足要求的问题，还介绍了为提高模数转换器ADCl674芯片性能所采用的理论依据和基本实现方法。     

一种具有"8悬臂梁-质量块"结构的新型硅微加速度计

提出了一种具有"8悬臂梁-质量块"结构的新型三明治式硅微机械电容式加速度计,用微机械加工工艺在(111)硅片上制作出了具有信号输出的器件.该加速度计的惯性质量块由同一(111)硅片上下表面对称分布的8根悬臂梁支撑.这些悬臂梁是利用(111)硅在KOH溶液中的各向异性腐蚀特性结合深反应离子刻蚀(DRIE)实现的,其尺度精确可控,保证了结构的对称性.该加速度计的谐振频率为2.08kHz,品质因子Q为21.4,灵敏度为93.7mV/g.     

Zn：Fe：LiNbO3晶体的生长及位相共轭效应的研究

在ＬｉＮｂＯ３中掺进ＺｎＯ和Ｆｅ２Ｏ３生长出Ｚｎ：Ｆｅ：ＬｉＮｂＯ３晶体。测试了晶体抗光致散射能力、位相共轭反射率和响应时间。研究了Ｚｎ：Ｆｅ：ＬｉＮｂＯ３位相共轭效应增强的机理。     

电场传感器校准的等效天线系数法

针对电场传感器在1 GHz以上频段高于200 V/m场强的校准需求,提出了等效天线系数法.该方法借用了天线系数的概念,在混响室中首先通过现有场强标准装置传递得到小场强时接收天线的等效天线系数,再利用等效天线系数对混响室中的大场强定标,从而实现电场传感器的大场强校准.混响室中采用等效天线系数法定标的大场强与采用统计方法计算得到的大场强相比较,场强偏差满足系统不确定度要求,说明了等效天线系数法的合理性.该方法借助混响室的特点和天线系数概念,将电场传感器校准幅度提升至200 V/m以上,为大场强测量的准确性提供了依据.     

分布式全局精确时钟同步状态追踪:能观测性观测器分析

本文基于现代控制理论观点下的量测模型的能观测性分析,提出绝对时钟状态量测模型的能观测性问题.启发于量测状态向量空间与状态向量运算法则,转化为本质上向量空间的同构映射原理,建立了以基本量测单元（Basic Measurement Unit,BMU）构建最小均方误差（Minimum Mean Square Error,MMSE）等价变换下的能观测性解耦量测模型.该方法揭示了在双向信息交换下对称量测性能的本质,在量测模型满足能观测性的必要条件下实现时钟状态追踪的Kalman filtering算法.本文算法不依赖于优化的初始点设置,初始点选择具有鲁棒性,并且对于网络连接性的变化具有稳健性.仿真结果表明,能观测性量测模型能实现规模化扩展,设计的算法具有局部和全局一致的MMSE量测性能,接近于贝叶斯CRLB（Cramer-Rao Lower Bound）量测性能边界.     

QDRTD单光子探测技术

量子信息技术的发展对单光子探测器提出了更高的性能要求,新型的量子点单光子探测器展现出了很好的性能和发展潜力。研究了一种基于量子点共振隧道二极管(QDRTD)的单光子探测器,介绍了QDRTD的基本结构和原理,重点对其内部电子传输特性和I-V特性进行了分析,并进行了结构优化,可满足单光子探测中多种波长选择的需求,为QDRTD多波长单光子探测的光子响应特性、探测效能等研究奠定了基础。同时,分析结果表明:QDRTD单光子探测器在光子响应、暗电流、波长选择等多个方面都具备很好的特性,具有广阔的应用前景。     

基于Elman-AdaBoost强预测器的目标威胁评估模型及算法

 目标威胁评估是协同目标攻击中的关键问题.为提高空战目标威胁评估的准确性和实用性,建立了Elman_-AdaBoost强预测器目标威胁评估模型及算法.首先,介绍了Elman_-AdaBoost强预测器;其次,建立了Elman_-AdaBoost强预测器目标威胁评估模型;最后,提出了基于Elman_-AdaBoost强预测器目标威胁评估模型的算法.采集75组数据用于实验,其中60组作为训练集,15组作为测试集.分别选择Elman网络隐层节点数L=7,11,14,18和弱预测器数目K=6,10,16,20进行实验,结果表明,Elman_-AdaBoost强预测器算法预测误差远小于弱预测器且在L=7和K=6时误差达到最小.Elman_-AdaBoost强预测器目标威胁评估模型和算法具有很好的预测能力,可以快速、准确地完成作战目标威胁评估.     

一种基于双路径深度卷积网络的声场景分类方法研究

声场景分类,就是训练计算机通过声音中所包含的信息将声音正确的划分到其所属的场景中,其在物联网设备、智能助听器、自动驾驶等领域有着广泛的应用。本文根据声学特征谱图的特点和深度学习中的卷积神经网络理论,提出了一种基于卷积神经网络的声场景分类方法。首先提取音频的对数Mel谱图及其一阶二阶差分谱图,并在通道维度上进行拼接,随后利用中值滤波器对融合谱图进行分层,得到两个融合谱图分量。然后搭建了双路径深度卷积神经网络分别对每个谱图分量进行建模,并在系统输出前将两个路径获得的特征图进行融合,最后通过全连接层进行分类。并在TUT数据集上进行实验,分类准确率可达79.2%