毫米波宽带超表面MIMO天线北大核心CSCD

本文设计了一款毫米波宽带超表面MIMO天线。基于特征模分析设计了宽带超表面天线单元,从而使其组成的MIMO天线具有宽带特性。为了改善天线的隔离度,在天线单元之间引入了金属化通孔以及隔离金属条带。天线整体仅使用了一层介质基板,通过同轴探针进行馈电,结构简单且易于集成,具有低剖面的优点。仿真结果显示,在21.3～31GHz(37%)频段内,天线匹配良好,隔离度不低于20dB,并且带内最高可实现增益可达8.1dBi。     

基于两级ＳＶＭ的Φ－ＯＴＤＲ系统振动事件识别算法

相位敏感光时域反射计(Phase-sensitive Optical Time Domain Reflectometer,φ-OTDR)对于振动信号能够实现高灵敏度的连续分布式测量,目前的振动事件识别算法常从一个或者两个维度来提取特征,如时域或频域等,未能实现多维度大样本特征参量的融合分析;现有的算法一般采用简单的单级识别算法,结构比较简单,导致最终的模型识别准确率不高、泛化能力较差。针对上述问题,本文对实验采集的振动信号从时域、频域和空间域的多参量特征进行提取和融合,针对具体的振动信号识别问题,构建了一种两级支持向量机(Support Vector Machine,SVM)识别算法,对振动事件进行了两级分类,能够实现对相似振动事件的精确识别,识别准确率达90%以上。     

基于多域特征融合的旋翼无人机分类识别

为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波（Continuous Wave,CW）雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图（Cadence?Velocity Diagram, CVD）和节奏频谱图（Cadence Frequency Spectrum,CFS）,然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络（1?D?CNN）提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机（Support Vector Machine, SVM）进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。     

基于多维数据融合的学生行为轨迹分析

随着高校信息化建设的不断推进,学校内部各项管理工作也逐渐向数字化、智能化方向发展。在学生管理方面,对学生在校内的轨迹进行分析,可以有效地帮助学校掌握学生的日常行为、关注学生的安全情况、提高管理效率。提出一种基于多维数据进行学生校内轨迹分析的方法,该方法通过消费、网络连接、考勤、人脸识别、图书借阅、门锁/门禁刷卡等多种手段获取学生在校内的各种信息,并将这些信息进行有效的整合和分析。通过分析学生在校内的轨迹,可以了解学生的活动范围、活动轨迹、活动时长等多方面的信息,进而为学校提供相关的决策参考。基于该方法开发了学生轨迹查询系统。经过系统实际使用表明,该方法可以有效提取学生在校内的行为特征,实现学生校内轨迹准确、全面的分析。     

基于双波长等基线差示融合图谱的中药黄芩“质-量”双标质量分析方法研究北大核心CSCD

建立了以对照药材为基准物质的定性和不依赖多种对照品定量的黄芩药材“质-量”双标控制方法。采用高效液相色谱(HPLC)技术,以对照药材为基准物质建立了黄芩特征图谱,通过鉴定特征峰的化学成分,共确定了11个共有特征峰,通过质谱鉴定出黄岑药材的8个成分,经对照品比对,指认出共有特征峰中的4个化学成分,分别为黄芩苷、汉黄芩苷、黄芩素以及汉黄芩素。通过对照药材和供试药材特征峰的相似度,可明确药材真伪,即“质”,结果显示各批次供试药材与黄芩对照药材的相似度均大于0.990;对内标成分“黄芩苷”进行准确定量,以内标成分计算不同批次供试品中各特征峰的相对含量,取“平均数-标准差”作为特征峰化学成分相对于内标物质化学成分的相对含量下限,依据特征峰相对含量下限明确黄芩药材优劣,即“量”。该方法不依赖多种对照品,能清晰、快速地判断药材的真伪优劣,可为黄芩的质量控制方法提供参考。     

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用北大核心CSCD

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。     

模拟绿色植被光谱特征的高光谱伪装材料与技术研究进展

高光谱成像技术对伪装隐身技术提出了新的更高要求。研究绿色植被光谱特征的各种模拟技术,可为解决高光谱成像探测下目标的伪装问题提供新的思路。本文总结了绿色植物在可见-近红外波段以及热红外波段的光谱特征,分析了其在不同波段的光谱特性形成机制,阐述了近年来模拟绿色植被光谱特征的高光谱伪装材料与技术的研究进展,分析了现有高光谱伪装材料与技术的特点及存在的弊端,提出了模拟绿色植被光谱特征的高光谱伪装材料与技术的发展方向和趋势。     

一种实时多尺度目标检测识别算法

无人机目标检测与识别任务中,目标随着飞行高度的改变尺寸发生显著变化。常规目标检测模型中,获取的小目标细节信息有限,检测精度较低;而适用于小目标的实时检测模型往往容易丢失大目标的背景信息,降低大目标的检测精度。针对以上多尺度目标检测识别任务难点,提出一种基于改进特征金字塔网络(Feature Pyramid Network, FPN)结构的实时多尺度目标检测识别模型。该模型通过增加特征金字塔层级覆盖更广的目标尺度,获取更为丰富的目标信息;同时,利用跨连接增加不同尺度特征融合的多样性,降低特征传导距离,保留更加完整的尺度特征来提高模型检测识别多尺度目标的性能。通过实验发现,相比于原始网络结构和相同特征层级的四层特征金字塔结构,加入改进特征金字塔结构的多尺度目标检测模型识别性能得到了提升。