Measuring vibration by using fiber Bragg grating and demodulating it by blazed grating

A method of measuring vibration by using fiber Bragg grating (FBG) and demodulating the spectrum by blazed grating is introduced. The sensor system is made of a simple supported beam with a FBG adhered to its upper surface. A blazed grating is used to demodulate the changing spectrum that is got from the sensor system, and a line charge-coupled device (CCD) is used to accept the diffraction spectrum. Through analyzing the number of the CCD's pixels, we can get the amplitude of vibration and the change of the temperature. The experimental results show that the vibration amplitude of the exciter matches the detected signal under the stable frequency. The temperature shift and vibration signal are also successfully separated.     

硫化ZIF-67薄膜作为方酸敏化太阳能电池对电极的研究

沸石-咪唑框架结构(ZIFs)是一种新型多孔材料,具有表面积大、孔隙度高、孔隙大小可调节和通道规则等独特的优点。本文通过硫化涂覆在导电玻璃上的ZIF-67薄膜,制备了多孔碳和硫化钴复合材料,研究了其对I-/I-3氧化还原对的催化性能,以替代铂作为方酸染料敏化太阳能电池的对电极。通过X射线衍射、扫描电镜和等温吸附的测量,分析了硫化ZIF-67得到的对电极多孔膜的结构和形态特征,并通过Tafel曲线和电化学阻抗谱图对其催化性能进行评价。结果表明,硫化60min的ZIF-67对电极催化性能与Pt对电极相当,方酸敏化太阳能电池的光电转换效率分别是4.03%和4.10%。     

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器（Sparse Auto-Encoder,SAE）实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络（CNN）算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。     

面向对象的“C语言”课程教学质量提升策略研究

文章探讨了在实际教学经验的基础上,如何提高"C语言"课程的教学质量。在"C语言"课程中使一些难以理解的问题易于理解,以培养和提高学生的编程技巧。     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题,研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了CNN与其他分类器的识别结果,用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。     

基于超声电机的力矩补偿装置控制方法研究

为补偿卫星载荷运动产生的干扰力矩,设计了一种基于超声电机的力矩补偿机构。基于传统控制策略的比例、积分、微分(PID)闭环负反馈控制系统调速效果难以令人满意,在这种情况下建立了系统的数学模型,设计了基于模糊PI控制的闭环调速控制系统,并与传统的PI控制进行了对比。根据干扰力矩的给定形式,设计了飞轮运行的正弦速度给定曲线,仿真结果表明,该方法能够有效补偿载荷干扰力矩。此外,设计了以数字信号处理器(DSP)芯片为核心的硬件驱动控制电路,并进行了实验验证。结果表明,该算法比传统的PI控制效果更好,速度曲线跟踪精度明显提升。     

基于机器视觉和深度学习的建筑垃圾智能识别研究

针对当前建筑垃圾分选中存在的分选效率不高、自动化程度较低等问题,提出了一种基于机器视觉和深度学习的建筑垃圾智能分选系统并对检测识别过程进行了详细研究。该系统采用背景建模法对建筑垃圾进行检测定位,可以有效避免运输皮带抖动、磨损和光照变化等情况,提高检测精度和定位速度。此外该系统基于ResNet卷积神经网络模型对建筑垃圾进行分类识别,并通过迁移学习方法对建筑垃圾分类模型的训练效率进行了优化,将模型的分类准确率提高到了99.47%,有助于更好地实现建筑垃圾的智能化分选。     

基于强跟踪五阶容积卡尔曼滤波的眼睛跟踪算法

非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色,但由于眼睛运动的强非线性,如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度,提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF),将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF),获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。     

基于大信号模型的L波段400W高效GaN功率放大器设计

文章阐述了用精确的GaN Angelov模型设计了一款L波段400W内匹配率放大器.选用SiC衬底的GaN器件是为了获得大功率输出以及高效率性能.为了精确设计放大器,采用脉冲I-V测试和多偏置的S参数测试建立起高压GaN大信号模型.采用模型设计的GaN放大器输入输出电路集成在17.4mm×24mm的封装管壳里.最终采用单枚55mm栅宽GaN管芯设计的放大器在48V漏压,100μs脉宽,10%占空比偏置下在1.2~1.4GHz输出功率大于400W,功率增益大于15dB,最高功率附加效率达到81.3%,这是国内L波段400W微波功率放大器的最高效率报道,验证了模型的准确度,实现了极好的电路性能.