摘要:奈奎斯特(Nyquist) 脉冲在光通信、微波光子学、光存储和 全光采样等领域中有着重要应用价值。为适应不 同的应用场合对Nyquist脉冲的占空比的具体要求,提出了一种基于光谱展宽和啁啾补偿的 占空比可调 的Nyquist脉冲产生方案。首先,利用相位调制器(phase modulator,PM) 作为时间透镜,将强度调制器(intensity modulator,IM) 输出的平顶 光脉冲变换 到频域光谱展宽的平坦光频梳；然后,通过标准单模光纤 (standard single-mode fiber,SSMF) 补偿相位调制引入的近线性啁啾, 得到脉宽压 缩的无啁啾短脉冲；最后,通过中心波长和带宽可调的光滤波器滤波实现了Nyquist脉冲占 空比的连续 可调。通过数值仿真实验,在10 GHz的射频信号频率下,获得了周期为100 ps,脉宽为4.0 ps,占 空比在4.0%—12.6%之间可调的Nyquist脉冲 ,且脉冲的滚降系数较低,在0—0.127之间,与理想Nyquist脉冲的均方根误差为0.16%—0.58%。结果表 明,该方案能够实现占空比灵活可调的Nyquist脉冲的产生。

摘要:为设计具有大模场面积和正常色散的光纤,提出 了一种新型的同轴双芯光纤。通过在中心纤芯内 引入空气孔,光纤能够拥有红移的零色散波长和提升的有效模场面积。进一步分析了光纤参 数对光纤群 速度色散和有效模场面积的影响。据此分别设计了具有三种不同参数条件的光纤,光纤具有 宽带的正常 色散工作区域,可分别覆盖1 400 — 1 800 nm , 1 700 —2 00 0 nm,2 000 —2 300 nm,具有大于－5 ps/(nm·km)的 群速度色散,有效模场面积可高达296 μm²。提出的 光纤在高功率超短脉冲光纤激光源中具有潜在的应用价值。

摘要:针对现有煤矸分选方法存在模型复杂、实时性差 、特征易丢失等问题,构建了一种轻量化煤矸分选 网络GC-ResNet18。GC-ResNet18利用幽灵卷积(ghost convolution,GC) 线性生成ghost映射的特性,剔除煤和矸石 相似性特征的 冗余信息。借助Softpool的下采样激活映射,保留、凸显煤和矸石的特征信息并去除冗余参 数,防止过拟 合现象。引入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网 络记忆、 放大煤矸图像间的细微差异特征,提升煤矸图像的识别准确率。实验结果表明,GC降低 了46.6%的参 数量,GC自注意力机制在CIFAR10、CIFAR100上分别提升1.44%、2.32%的准确率,而Softpool池化在上 述两个数据集中分别提升了0.22%、0.17%。通 过对比实验,全面改进后的GC-ResNet18网络在训练效率 和分类精度上优于VGG19-S-GDCNN、SBP-VGG-16等模型,在CIFAR10和CIFAR100数据集中的 分类精 度与同规模的网络相比均达到最优的94.07%和74.95%,并最终在自建煤矸数据集上达到了97.2%的分类准确率。

摘要:自动驾驶中传感器融合是感知系统的重要组成部 分,雷达点云信息和视觉信息融合可以提高车辆 的感知能力。然而现有的研究将雷达点投影到图像上时只是对雷达点简单的增加高度,无法 提供更加准 确的横向信息,缺乏空间信息。同时对两个模态只是进行简单的融合,虽然产生了一个联合 表征,但不 足以充分捕捉两种模态之间的复杂联系。文中同时增加了雷达点云的宽度来进行 空间信息增 强,另外设计了一种利用差异性特征注意力融合的方法,使两个模态进行跨模态交互融合。 本文在具有 挑战性的nuScenes数据集上对模型进行了评估,提出的模型的NDS评分和mAP分 别达到了46.3%和33.9%,体现了 优秀的性能。

摘要:机场道面裂缝具有形态复杂多变、走向不连续、 数据噪音多等特征,现有算法模型均未达到令人 满意的结果。为了改善裂缝检测效果,本文提出了一种新的深度学习模型,命名为“FE-Un et”。该模型采 用改进的残差连接方式,在解决多层网络下梯度的回传问题的同时起到细化特征以及整合通 道的信息作 用,提升了各阶段特征的区分度；此外,模型中的通道注意力模块 (channel attention block,CAB) 可以更好地提取判别特征 ,增强预测 的一致性；最后,利用焦点损失(focal loss,FL) 使模型专注于难分类的细小裂缝。实验中,以实际 7 778张机场道面裂缝 图像来训练模型,并在1 701张图像上进行验证 。在与经典的全卷积神经网络(fully convolutional network, FCN)、DeepLab v3和Unet对比实验中,FE-Unet 对裂缝、灌缝和板缝的检测性能均优于其他模型。其中,FE-Unet对裂缝检测的精度、召回 率、F1值分别达到了80.31%、 82.72%和81.49%。

摘要:机器人定位技术作为智能机器人领域的重要技术,是机器人进行自主规划和导航的重要前提。为解决机器人运动过程中的绑架问题,在蒙特卡罗定位(Monte Carlo localization,MCL) 算法的基础上,提出了基于激光雷达似然域模型的定位可靠度评判算法以及基于惯性导航单元的定位自恢复模型。定位可靠度评判算法对机器人是否发生绑架问题进行判定,当发生绑架问题后,首先基于惯性导航单元的测量数据进行位姿预估计,然后基于预估计的位姿构建粒子重分布模型,最后进行粒子滤波得到重定位的结果,达到了对机器人绑架判定和自恢复定位的目的。经过实验测试和对比,该算法可以对绑架问题进行高效的判断,具有更高的恢复效率和准确度。

摘要:针对目前自动驾驶过程中对交通标志的识别检测 速度慢的问题,提出一种改进的YOLOv 5s-Ghost网络模型对交通标志进行识别的方法,在3×3运算核Ghost Net模型框架下,通过 两个连续的Ghost模块构建的Ghost Bottleneck模块,并代替C3模块中全部的Bottleneck模 块,与跨阶段局部网络(cross-stage position network,CSPNet)模块结合生成Ghost Bot t leneck CSP模块。通过调整每个模块中加入Ghost Bottleneck模块的数量,对比实验数据得 到最佳网络模型。分别用原网络和新网络对TT100K数据集进行训练,对比实验数据表明,YO LOv5s-Ghost模型的检测精度达95.1%,检测速度达到了52. 6 FPS,模型大小压缩了69.3%,在保证原检测精度的情 况下提高了网络的检测速度。

摘要:基于广义惠更斯-菲涅尔原理,构建了柱矢量涡旋光束在径向梯度折射率(gradient-index,GRIN) 光纤中传输的解析表达式,并研究了其在径向GRIN光纤中的光谱相干度分布。研究结果表明,柱矢量涡旋光束的光谱相干度沿径向关于光纤纤芯中心对称分布。在光纤焦平面处,随着相干长度σ的降低,光谱相干度分布出现的暗环数逐渐增多,且拓扑荷m越大,光谱相干度分布随相干长度σ的变化越明显。相干长度σ一定且拓扑荷m相同时,不同波长λ的光谱相干度分布规律相同。GRIN系数β影响光谱相干度的周期。

摘要:针对自由空间光通信(free-space optical communication,FSO) 系统中大气湍流引起的光强起伏 闪烁效应对正交幅度调制(quadrature amplitude modulation, QAM)信号影响很大,缺少实时信 道信息时的最大似然(maximum likelihood,ML) 检测器性能较差问题,本文提出了一种基于深度学习(deep learning,DL) 的信号检测器。其 网络框架采 用了一个具有全连接层的深度学习神经网络(deep-learning neural network,DNN),实现了无导频的 ACO-OFDM空间通信系统中 信道盲估计、 信道均衡和信号解调。仿真结果表明:在中强湍流大气信道下训练的DNN检测器,8QAM、16 QAM和64QAM 等调制信号解调的误码率分别可以下降到在2×10－5、5×10－5 和5×10－4左右,具有优越性能和鲁棒性,能较好抑制大气湍 流引起的信道衰落。

摘要:谐振环路背向散射噪声是谐振式光纤陀螺(resonator fiber optic gyroscope,RFOG) 系统中 的主要光学噪声之一。本文基于谐振环中背向散 射噪声对陀螺输出误差影响的理论分析,对比不同调制波形和载波抑制路数的影响,得到最 佳方案为三 角波双路调制。基于该方案,建立陀螺零偏及零偏稳定性(bias stability,BS) 误差与调制电压幅值及噪声关系的 理论模型, 结合直径0.1 m,光纤总长10 m,精细度24的陀螺参数,得到背向散射噪声导致的陀螺BS对调制 电压变化范围与噪声幅值量化指标的需求,为特定精度的陀螺设计奠定误差分配和控制参 数设计基础。

摘要:针对小尺寸JPEG压缩图像携带有效信息较少、中 值滤波痕迹不明显的问题,提出一种基于多残差学习与注意力融合的 图像中值滤波检测算法。该算法将多个高通滤波器与注意力模块相结合,获取带权值的多残 差特征图作为特征提取层的输入, 特征提取层采用分组卷积形式,对输入的多残差特征图进行多尺度特征提取,融合不同尺度 的特征信息,同时采用密集连接 方式,每一层卷积的输入来自前面所有卷积层的输出和。实验结果表明,针对小尺寸JPEG压 缩图像的中 值滤波检测,本文算法比现有算法具有更高的检测精度,且能更有效地检测与定 位局部篡改区域。

摘要:糖尿病视网膜病变(diabetic retinopathy,DR) 是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization,CLAHE) 算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network,CNN) 和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer,CTCNet网络性能优于其他模型,能够有效识别DR。