针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题,提出了一种将全卷积神经网络应用于遥感影像分类的方法;为了减少影像特征图在池化过程中自身特征的丢失,增加池化层与反卷积层的融合;为了提高融合的可靠性,增加尺度变换层;为了获得更精细的边缘分类结果,考虑像素之间的空间相关性,采用均值漂移聚类分割获取像素的空间关系,通过统计聚类区域像素概率的和最大、方差最小的方法确定该区域对象的类别;选取典型地区的影像进行分类实验,并将所提出的分类方法与全卷积神经网络、支持向量机、人工神经网络方法进行对比。结果表明,所提出的分类方法的精度明显高于传统机器学习方法的精度。

将应变超晶格锯齿型沟道的影响等效为形状相似的周期调制, 并考虑了双频激励对系统稳定性的影响。在经典力学框架内和小振幅近似下, 把双频激励的粒子运动方程化为具有慢变振幅的广义Duffing方程。用摄动法分析了系统的共振现象, 用平均法讨论了系统的分叉行为。结果表明, 系统的不稳定性与参数有关, 适当调节参数可以原则上抑制或规避系统的不稳定性。

研究表明, 为了获得可利用的参数X-射线辐射或晶体摆动场辐射, 系统必须是稳定的。在经典力学框架内和小振幅近似下, 分析了晶体弯曲、辐射衰减、晶格热振动、电子多重散射和相互作用的非线性等因素对系统稳定性的影响。结果表明, 系统的稳定性与它的参数有关, 适当调节系统参数, 可以保证系统是稳定的。

强流技术的基本问题之一是它的空间电荷和束流的稳定性。利用片状束在周期场中的聚焦和输运可将问题减至最小。引入非线性和运动阻尼, 在经典物理框架内, 把周期场中片状束的冷腔运动方程化为广义的Mathieu方程。利用Melnikov方法分析了系统的次谐分叉和 Smale 马蹄混沌; 并对系统的临界条件进行了讨论。结果表明, 系统稳定性与它的参数有关, 只需适当调节参数原则上可以保证系统的稳定性。

根据外光反馈半导体激光器及光纤传输方程，构建了基于光纤信道的开环全光混沌通信系统.考虑混沌调制和混沌键控两种信息加密方法，采用先进的校正相减解调法恢复信息，并且通过解调Q因子衡量系统性能.以不同次序排列单模光纤和色散补偿光纤构成4种结构的光纤信道，通过数值仿真分析信道结构对系统通信性能的影响.结果表明，为光纤信道保留少量的负累积色散有利于改善远程传输性能；两端补偿和中间补偿这两种对称结构的性能一致，对称结构优于非对称结构即预补偿和后补偿，适用于远程高速开环全光混沌通信.另外，无论光纤信道结构怎样，在远程高速激光混沌通信中混沌调制方法总是优于混沌键控方法.