摘要：在声波探测领域,放大声压具有重要意义。为了放大声压,设计喇叭状结构和抛物面结构模型,使用基于COMSOL Multiphysics软件的有限元分析法建立两种结构的声压放大模型。首先,计算两种结构对声压的增益倍数。仿真结果表明,喇叭状结构能够对声压实现最大20倍的放大,抛物面结构能够对声压实现最大30倍的放大。其次,研究不同结构的尺寸对声压的放大效果。结果表明,喇叭状结构尺寸与波长相当时的放大效果最显著,抛物面结构开口直径在几个特定数值处的放大效果最显著。最后,对声波造成的膜振动幅度进行仿真。结果表明,喇叭状结构使振膜振动幅度提高2.7~6倍,抛物面结构使振膜的振动幅度提高2~3.3倍。

摘要：提出一种合成孔径雷达(synthetic aperture radar, SAR)图像旋转舰船检测方法,以提高SAR图像中旋转舰船的检测精度。从先验框设计和边界框回归公式对YOLOv4-CSP目标检测网络进行改进,加入旋转角度使其适用于基于旋转框的检测场景;提出一种基于旋转边界框外接圆和交并比的损失函数,该函数不仅考虑预测框和真实框的中心点的距离,而且考虑旋转框各个参数之间的相关性,具有很好的效果;为进一步提升SAR图像中的舰船检测精度,引入转移注意力模块,使得网络能够充分学习有效特征,提高检测精度。试验结果证明,改进后的模型结合提出的损失函数能够有效提升旋转舰船的检测精度,在图像分辨率为416像素×416像素情况下,平均精度均值(mean average precision, mAP)达到95.79%;加入注意力模块后,在图像分辨率为416像素×416像素情况下,mAP达到96.40%,在图像分辨率为800像素×800像素情况下,mAP达到96.98%。本研究不仅可以为海洋监测等应用提供重要的技术支持,还具有重要的理论价值和应用价值。

摘要：拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络(DCGAN)提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法——偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验:(1)使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;(2)使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;(3)采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;(4)使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。