微介孔材料物理吸附准确性分析的理论与实践

比表面积和孔径分布是表征催化剂和材料物理性质的基本参数,随着材料研究的日益广泛和深入,研究工作者对该参数的科学性和准确性要求日益提高. 但是,比表面积和孔径分布的分析方法—物理吸附法,长期以来被看作一种测量方法,其准确性并不为人们所关注,在实际工作中对其的理解存在着大量的误区. 本文从仪器硬件设计、实验操作及数据处理三方面对物理吸附法所涉及的准确度进行了探讨.     

一类食饵具有常投放的稀疏效应捕食系统的定性分析

研究一类食饵具有常投放的稀疏效应捕食系统{dx/dt=bx2(k-x)-bxy+h,dy/dt=-cy+(βx-αy)y,得到了存在唯一极限环和不存在极限环及系统全局渐近稳定的充要条件.     

同步三通道激光告警光学系统有效孔径的确定及截获能量的估算

为了确定一种同步三通道激光告警光学系统的有效孔径并估算截获能量,建立了激光辐照远场传输模型,仿真研究了远场光斑半径、单通道入瞳半径和通道间相对能量差之间的数值关系.仿真结果表明:各通道之间最大相对能量差与远场光斑中心能量密度的大小无关,在激光远场光斑边沿处各通道之间的相对能量差最大;最大相对能量差限定时,远场光斑半径越大,允许的单通道入瞳半径也越大,但相应系统截获的脉冲能量或脉冲功率却相对减小;最大能量差限定为1%,远场光斑半径分别为2.5 m,4.0 m和7.5 m时,允许的最大单通道入瞳半径分别为3 mm, 5 mm和10 mm,相应系统截获的最大脉冲能量为1.14×10-5 J,7.54×10-6 J和2.68×10-6 J,最大脉冲功率为1.63 W, 1.08 W和0.38 W.     

稀疏驱动自适应线谱增强的水下目标谱熵检测

针对无人平台在水下复杂环境中的线谱弱目标自主检测问题,提出了一种采用稀疏驱动自适应线谱增强(ALE)为前处理的监督学习目标检测方法。该方法在ALE代价函数中引入稀疏性l_p范数,并将稀疏正则化推广到0<p<1;经过稀疏驱动ALE处理使目标声谱的熵特征差异更加明显,利用支持向量机(SVM)的小样本学习能力,对波束声谱的熵特性曲线进行分类,判别目标是否存在。仿真结果表明,输入信噪比为-20 dB情况下,l_1/2稀疏驱动ALE比常规ALE的处理增益高11.5 dB。利用水下无人平台海上拉距试验的数据对算法性能进行验证,在宽带强干扰影响下,该方法可有效检测远距离声源,虚警率为3.5%时,检测率达95.8%,有效提高了对线谱弱目标的检测概率,具有较强的环境适应性。     

基于非凸优化模型的块稀疏信号恢复条件

压缩感知(compressed sensing,CS)是一种全新的信息采集与处理理论，它表明稀疏信号能够在远低于Shannon-Nyquist采样率的条件下被精确重构.现从压缩感知理论出发，对块稀疏信号重构算法进行研究，通过混合l₂/l_q(0相似文献   

子孔径划分对波前重构矩阵病态程度的影响

 自适应光学中,对于一定的变形镜,波前探测器子孔径的划分方式将对波前重构产生影响。本文就这个问题开展了计算机模拟研究。用直接斜率法进行波前重构,采用最小二乘解,并用波前重构矩阵的条件数作为其病态程度的判据。模拟结果表明,子孔径数目的选择对波前重构矩阵的病态程度起决定性的作用;适当的子孔径划分方式可以使波前重构矩阵病态程度大大降低。     

一种稀疏约束的图正则化非负矩阵光谱解混方法

由于受到高光谱遥感图像传感器平台的限制,图像的空间分辨率受到一定影响,这导致高光谱遥感图像的像元通常是多种地物的混合, 也叫做混合像元。混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。采用高光谱解混技术可将混合像元分解为纯净的物质光谱（Endmember, 端元）和每种物质光谱所对应的混合比例（Abundance, 丰度）,为获取更多更精细的光谱提供了可能。这对高精度的地物分类识别、目标检测和定量遥感分析等研究领域具有重要的意义。因此,解混技术成为高光谱遥感图像领域的一个研究热点。基于线性光谱混合模型(linear spectral mixing model, LMM),提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解（endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF）算法。该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法,结合图正则化理论来考虑高光谱数据内部的几何结构,将端元光谱稀疏约束和丰度稀疏约束应用于其中,从而能够对高光谱数据的内部流形结构进行更为有效的表达。首先,构造了EAGLNMF算法的损失函数,采用VCA-FCLS方法进行初始化,然后,设定相关参数,包括图正则化权重矩阵参数、端元光谱稀疏约束因子和丰度矩阵稀疏约束因子,最后,通过推导得到了端元矩阵与丰度矩阵的迭代公式,并且设置了迭代停止条件。该方法不受图像中是否有纯像元的限制。实际上,在现行高光谱遥感传感器平台情况下,高光谱遥感图像中几乎不存在纯像元,因此,EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。采用合成的高光谱数据,构造了4个实验来分析该方法的可行性和有效性,实验将该算法与VCA-FCLS,标准NMF及GLNMF等经典的解混算法进行比较,通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。实验1是总体分析实验。在固定的信噪比和固定端元数目的情况下,用以上三种经典方法与EAGLNMF同时进行解混。实验2是SNR影响分析实验。在固定端元数目和不同信噪比的情况下,用这四种方法进行解混。实验3端元数目分析实验。在固定信噪比和不同端元数目的情况下,用四种方法进行解混,并且将结果进行对比。实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。同时,实验4是稀疏因子分析实验。对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析,实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响,并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。最后,将该算法应用于AVIRIS所采集的真实高光谱图像数据,将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比,其提取的平均端元精度相比于其他三种方法要稍好。     

重尾索赔下的一类相依风险模型的若干问题

本文研究了重尾索赔下的一类相依风险模型,得到了破产概率的尾等价式及索赔盈余过程大偏差的渐近关系式.在该模型中,一索赔到达过程是Poisson过程,另一索赔到达过程为其p-稀疏过程.