摘要：相比于传统锂离子电池,全固态锂电池在安全性、能量密度和工作温度范围等方面具有显著优势,研究并开发固体电解质是突破锂电池的技术瓶颈和进一步产业化发展的关键步骤。针对目前聚合物复合电解质中的颗粒填料团聚以及固体电解质/电极界面中存在的问题,该领域涌现了一批具有创新性的无机固体电解质结构设计。本文首先对基于三维氧化物固体电解质框架的复合电解质中的离子传输途径进行了概括性的讨论,阐述了电解质的结构可能对离子传输带来的影响。文章重点介绍了近年来对氧化物固体电解质的三维框架结构设计和应用及其制备方法,详述了不同的电解质框架结构对电池电化学性能方面的优化策略并对电池性能进行了比较。三维电解质框架除了可以作为复合电解质的基体外,也可以将电极材料填入其中,使其作为复合电极的基体,为电极与电解质之间提供了一种新的接触形式,以解决电极的体积变化和锂枝晶生长问题。文章在最后对设计思路以及仍面临的挑战进行了总结。

摘要：目的在传统车辆目标检测问题中,需要针对不同图像场景选择适合的特征。为此提出一种基于快速区域卷积神经网络(Fast R-CNN)的场景图像车辆目标发现方法,避免传统车辆目标检测问题中需要设计手工特征的问题。方法该方法基于深度学习卷积神经网络思想。首先使用待检测车辆图像定义视觉任务。利用选择性搜索算法获得样本图像的候选区域,将候选区域坐标与视觉任务示例图像一起输入网络学习。示例图像经过深度卷积神经网络中的卷积层,池化层计算,最终得到深度卷积特征。在输入时没有规定示例图像的规格,此时得到的卷积特征规格不定。然后,基于Fast R-CNN网络结构,通过感兴趣区域池化层规格化特征,最后将特征输入不同的全连接分支,并行回归计算特征分类,以及检测框坐标值。经过多次迭代训练,最后得到与指定视觉任务强相关的目标检测模型,具有训练好的权重参数。在新的场景图像中,可以通过该目标检测模型检测给定类型的车辆目标。结果首先确定视觉任务包含公交车,小汽车两类,背景场景是城市道路。利用与视觉任务强相关的测试样本集对目标检测模型进行测试,实验表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的车辆目标检测模型对车辆目标检测具有良好的检测效果。结论本文提出的车辆目标检测方法,利用卷积神经网络提取卷积特征代替传统手工特征提取过程,通过Fast R-CNN对由示例图像组成定义的视觉任务训练得到了效果良好的车辆目标检测模型。该模型可以对与视觉任务强相关新场景图像进行效果良好的车辆目标检测。本文结合深度学习卷积神经网络思想,利用卷积特征替代传统手工特征,避免了传统检测问题中特征选择问题。深层卷积特征具有更好的表达能力。基于Fast R-CNN网络,最终通过多次迭代训练得到车辆检测模型。该检测模型对本文规定的视觉任务有良好的检测效果。本文为解决车辆目标检测问题提供了更加泛化和简洁的解决思路。

摘要：UWB信道测量方法的研究及信道特征数据的实际采集,是UWB信道传输特征研究和信道模型建立的基础,可以加深人们对无线信道特征的理解,有助于UWB系统设计和其他宽带系统的研究和设计。按照子课题的室内/室外无线信道评测模型建模方案完成了测量方法的调研、测量计划的制定并实地测量,给出了原始测量结果的比较图,验证了UWB信道的传输特征。