恒星的分类问题一直是天文研究的一大热点, 恒星的亚型分类对探究恒星演化、 稀有天体识别等具有重大意义。 针对LAMOST光谱亚型分类问题设计了SSTransformer (stellar spectrum transformer)分类模型, 该模型主要由三部分组成, 包括输入模块、 嵌入模块、 SST编码模块。 在输入模块中, 将光谱数据进行分块处理, 这些块经过线性投射层被映射为向量。 在嵌入模块中, 为了提取有用的数据特征, 将线性投射层的输出加入一个可学习的类别嵌入块, 为了保留位置信息, 再加入位置嵌入块, 之后将这些数据特征向量送入SST编码模块。 最后在SST编码模块中, 对数据特征进行提取处理, 并利用多层感知器结合新特征对恒星光谱进行分类。 采用的A、 F、 G、 K、 M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱, 35 256条一维光谱数据用于SSTransformer模型的训练, 8815条一维光谱数据用作模型的测试。 为了加快模型的收敛速度, 对数据采用Z-Score归一化处理。 由于是多分类问题, 实验采用了准确率、 精确率、 召回率、 F1-Score、 Kappa系数五个评价指标。 实验结果证明, 利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类, 分类准确率达到98.36%, 比支持向量机(support vector machine, SVM)算法、 极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法, 以及卷积神经网络(convolutional neural networks, CNN)的分类准确率更高。
恒星光谱 自动分类 SSTransformer模型 归一化 Stellar spectra Automatic classification SSTransformer model Normalized 光谱学与光谱分析
2023, 43(8): 2523
1 光电控制技术重点实验室, 河南 洛阳 471000
2 电子信息系统复杂电磁环境效应国家重点实验室,河南 洛阳 471000
3 洛阳理工学院, 河南 洛阳 471000
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。
目标检测 深度学习 模式识别 SAR SAR target detection deep learning mode recognition
1 河北工业大学 能源与环境工程学院，天津 300401
2 河北省热科学与能源清洁利用技术重点实验室，天津 300401
3 河北工业大学 先进激光技术研究中心，天津 300401
4 河北省先进激光技术与装备重点实验室，天津 300401
5 哈尔滨工业大学 可调谐激光技术国家重点实验室，黑龙江 哈尔滨 150009
受激布里渊散射相位共轭镜（SBS-PCM）因能实时补偿静态和动态波前畸变、提高光束质量，在激光领域受到广泛关注，但仍存在高功率泵浦下引发损伤和输出光束质量下降的问题。液体增益介质具有高增益、高抗损伤阈值和尺寸拓展性强的特点，目前是高能高功率激光领域最广泛应用的SBS介质，但随着注入功率的提升，热效应引发的液体介质热对流会导致反射Stokes光中出现波前畸变，降低了其光束质量补偿效果。文中发展了高功率泵浦下介质池内热对流的数值模型，定量分析了热对流强度随相互作用时间的变化规律，着重探讨了泵浦光重复频率对热对流强度分布的影响，并结合热对流强度解释了光斑畸变程度。研究结果表明：泵浦光注入初期，热对流强度在达到极值后小幅下降最后趋于稳定；泵浦光重复频率是影响热对流强度的重要因素，热对流强度与重复频率呈正相关；随着热对流强度的增强，光斑偏移程度逐渐增大。文中从液体介质流动性角度分析了泵浦光重复频率与介质热对流的关系，对完善光热效应模型提供了新的研究方向。
受激布里渊散射 相位共轭镜 热对流 热效应 二次流 stimulated Brillouin scattering (SBS) phase conjugate mirror thermal convection thermal effect secondary flow 红外与激光工程
2023, 52(8): 20230415
1 云南师范大学信息学院，云南 昆明 650500
2 河海大学计算机与信息学院，江苏 南京 211100
3 中国科学院微电子所昆山分所，江苏 昆山215347
红外点目标检测是红外制导系统的关键技术之一，是**应用领域的研究热点。一方面，点目标在大气传输和散射过程中由于观测距离长，常常淹没在背景杂波和大噪声中，信噪比低。另一方面，图像中的目标以模糊点的形式出现，使得目标没有明显的特征和纹理信息。由于不同红外图像中的点目标具有不同的外观、形状和姿态，加之噪声杂波的干扰遮挡，经过单帧检测后，除了真实目标外，图像中可能有虚假目标和一些强噪声。因此，由于这几个因素，红外点目标检测变得非常困难。为了解决这一问题，作者研究了红外点目标检测的相关方法，提出了非凸秩逼近最小化方法（NRAM）与改进的随机漫步者方法（MRW）相结合的方法（NRAM-MRW），在复杂的红外背景下，针对红外点目标的检测中有着较好的检测效果。
红外图像 点目标检测 NRAM 随机漫步者 infrared image point target detection NRAM random walker
1 太原理工大学材料科学与工程学院, 太原 030024
2 山西国控晋纺实业有限公司, 太原 030002
3 山西省玻璃陶瓷科学研究所有限公司, 山西省多孔陶瓷材料技术创新中心, 太原 030013
随着粉煤灰堆存量逐年增加, 其资源化利用迫在眉睫。以粉煤灰(FA)为主要原料, 硅灰(SF)为增强剂和外加硅源采用高温蒸养法制备免烧粉煤灰基沸石化陶粒(FACZ), 从而实现粉煤灰的高值化利用。采用比表面及孔径分析仪(BET)、X射线衍射仪(XRD)、扫描电子显微镜(SEM)、红外光谱仪(FTIR)等手段, 表征了各阶段样品的孔结构、晶体结构、微观形貌及官能团特征, 并探究了碱浓度、SF质量分数、温度、蒸养时间对FACZ的影响, 以及pH值、Ni2+浓度、时间、FACZ投加量、温度对FACZ去除Ni2+的影响。XRD、SEM、FTIR均表明FACZ中合成了结晶度良好的方沸石, 优化后的工艺为8 mol/L NaOH、15% SF、190 ℃蒸养48 h; 优化后的FACZ的比表面积可达14.4 m2/g, 强度可达27.25 MPa。在最佳条件下, FACZ对Ni2+去除效率可达99.9%, 最大去除量为31.934 mg/g; 去除机理为硅羟基和沸石离子交换联合作用, 且离子交换为主要原因。
粉煤灰 免烧陶粒 硅灰 金属离子 fly ash no-sintered ceramsite silica fume metal ion
中国民航大学 电子信息与自动化学院, 天津 300300
红外图像作为信息传递的重要载体, 受到红外焦平面阵列探测单元响应差异和读出电路的不均匀性的影响, 易出现条纹噪声, 不利于后续的分析研究。为了提高卷积神经网络去除条纹噪声的结果, 提出了基于小波空洞残差U-Net的红外图像去条纹噪声方法。该网络首先通过Haar离散小波变换将条纹噪声图像分解为垂直分量、对角分量、水平分量和低频分量; 依次通过初步去噪和精细去噪网络学习噪声图像与条纹噪声之间的映射; 再从输入分量中去除噪声分量以获取去条纹噪声分量; 利用逆Haar离散小波变换重构去噪图像。实验结果表明, 该方法可以有效去除条纹噪声, 保护图像细节。
激光成像 红外图像 去条纹噪声 神经网络 laser imaging infrared images stripe noise removal neural network
1 武汉理工大学硅酸盐建筑材料国家重点实验室, 武汉 430070
2 武汉理工大学材料科学与工程学院, 武汉 430070
3 固废资源化利用与节能建材国家重点实验室, 北京 100041
4 北京建筑材料科学研究总院有限公司, 北京 100041
水泥中掺入大量矿物掺合料易造成其早期强度低、施工周期长等问题。本文研究了C-S-H晶核对含矿物掺合料的复合胶凝材料体系水化性能的影响规律; 通过热力学计算阐述了C-S-H晶核降低水化产物成核势垒的机理, 并通过离子溶出与沉积探讨大掺量矿物掺合料胶凝体系水化机理。结果表明: 矿物掺合料复合胶凝材料体系水化能力较弱, 这是由于Ca2+溶出受到制约, C3S的水化反应缓慢; 当加入晶核后, 水泥中硅酸盐相溶解-结晶能力得到大幅提升, 使得矿物掺合料水泥体系的水化反应活性接近纯水泥体系。研究表明, C-S-H晶核可解决大掺量矿物掺合料胶凝体系所带来的水化能力严重不足问题。
矿物掺合料 C-S-H纳米晶核 成核势垒 水化性能 离子溶出 水化产物 mineral admixture C-S-H nanocrystalline nucleus nucleation barrier hydration performance ion dissolution hydrate
1 西安理工大学机械与精密仪器工程学院, 陕西 西安 710048
2 西安市气象局, 陕西 西安 710016
基于聚类思想设计了二维和三维云相态聚类识别算法,结合偏振激光雷达、微波辐射计和毫米波雷达资料,进行了云相态的精细识别与分类方法研究。将云粒子的体退偏比、温度和反射率因子作为聚类网络学习的输入特征量,通过无监督学习区分云层中不同相态的簇划分结果,利用簇划分结果实现了对云相态的精细识别,解决了传统云相态识别中采用单一阈值算法导致的结果误判问题。所设计算法可以实现云中过冷水区、暖云液态水区和冰相的高效识别,同时对混合云相态实现了冰占主导和水占主导的细分。利用偏振激光雷达、微波辐射计和毫米波雷达对西安市上空云层进行了观测,反演了三台仪器的同步观测数据。利用所设计的聚类识别算法对2021年1月9—10日和2021年6月8—9日观测到的云数据进行了二维聚类和三维聚类识别与分析,实现了云层内暖云滴、混合相(冰占主导、水占主导)、过冷水和冰相的区分。通过比较与分析,发现三维聚类识别算法比二维聚类识别算法更能详细地展现相态转换过程的细节信息,整体识别结果与实际天气变换过程吻合。
遥感 多源遥感探测 聚类分析 云相态识别 过冷水 光学学报
2022, 42(12): 1228002
