一种基于联合任务学习的SAR图像目标检测方法

在基于深度学习的SAR图像目标检测中,为了降低SAR图像中噪声等特性对特征学习的干扰,提高检测方法中识别和定位任务的交互性,采用了联合任务检测方法。该方法利用联合任务网络,使识别和定位任务在尽可能共用特征的同时保留各自的特殊性,从而提升两个子任务对特征学习的监督能力。此外,该方法还利用联合任务学习方法,在锚框选择和损失函数计算中,同时考虑识别和定位任务的可靠程度,从而提升训练效果。公开数据集上的实验结果证明了该方法的有效性。     

线极化Bell-Bloom测磁系统中抽运光对磁场灵敏度的影响

利用适用于线极化Bell-Bloom测磁系统的布洛赫方程和含有自旋弛豫的速率方程,以铯原子为研究对象,分析了抽运光对磁场灵敏度的影响,并在实验上分别采用与铯原子D1线和D2线共振的线偏光作为抽运光和探测光,用充有缓冲气体的气室进行了实验.实验结果与理论分析一致,均表明只有在一定的光强范围内,增大抽运光光强可以提高磁场灵敏度.且利用这一方法分析了原子的自旋弛豫对磁场灵敏度的影响.这项研究对于深入认识线极化的Bell-Bloom测磁系统,以及如何通过优化系统实现磁场灵敏度的提高具有重要的意义.     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

锂薄膜的第一性原理计算:量子尺寸效应和原子氢的吸附

采用第一性原理方法计算Li（110）、（100）和（111）三个表面方向3至30层自由薄膜的表面能和氢原子的吸附能.随着层厚变化出现量子振荡现象,即量子尺寸效应.重点计算Li（110）表面吸附氢原子吸附高度、吸附氢原子前后费米能级处的态密度和功函数.这些量都随着层厚变化出现明显的量子振荡,且与表面能或吸附能的振荡有明显的相关性.计算发现Li（110）薄膜表面的功函数由于吸附氢原子而降低了约0.9 eV,吸附的氢原子拉低了最外层Li原子和真空层的静电势,导致吸附氢原子后功函数下降.     

不同视场地基红外成像设备定标方法及时机分析

目标红外辐射特性可用于目标特征识别，如何有效获取目标红外辐射特性，对目标预警、侦察及隐身效果评估等意义重大。针对当前外场实装地基红外成像设备定标参数获取难题，对近距离扩展面源定标法、平行光管定标法、远距离扩展面源定标法等3种方法进行了分析，采用上述3种方法对不同视场外场红外成像设备进行了定标实验研究，获得了不同方法下响应参数。针对远距离扩展面源定标法定标结果随距离变化情况，设计了不同调焦状态和工作时长下制冷热像仪定标实验。实验结果显示红外成像设备的离焦状态、工作时长对制冷型红外成像设备响应参数影响较小。外场定标误差主要来源于环境杂散辐射、大气透过率及路径辐射计算。外场条件下应采用近距离直接扩展点源定标方法对地基红外成像设备不同航次择机定标；同时扩展面源定标法定标距离一般不超过10 m，响应参数误差此时相对近距离定标约5%左右。