基于标校球的瞬态极化雷达校准方法

理论上瞬态极化雷达可获取动态目标全极化散射特性的精确测量信息,但由于存在极化通道不一致、极化隔离度有限以及背景杂波等非理想因素,其极化测量存在误差,必须进行校准。当前极化校准需要多个定标体,且定标体姿态摆放误差将引起校准偏差。针对上述问题,提出了一种基于标校球的瞬态极化雷达校准新方法,在考虑双天线空域极化特性的基础上,仅需单个金属球即可完成定标,提高了校准精度。该方法为解决制约瞬态极化雷达实际应用的校准难题提供了技术支撑。

一种基于卷积神经网络的大肠杆菌和志贺菌基因组鉴别方法

目的利用深度学习方法,鉴别基因组相似度很高的大肠杆菌和志贺菌,为临床诊断和疫情防控提供参考依据。方法提出一种迁移学习大规模预训练蛋白质语言模型的卷积神经网络(CNN),用于细菌类型鉴别,该方法可在属水平上实现对细菌类型的快速准确鉴别。为了验证模型的可靠性,该研究从美国国家生物技术信息中心(NCBI)下载相关细菌的全因组数据,并选择相似度很高的大肠杆菌和志贺菌的全基因组蛋白质序列作为实验样本。结果在2960个高组装质量和4945个包含低组装质量的菌株上进行分类实验时,该方法在属水平上的分类准确率分别达到97.13%和95.56%,优于现有的其他方法。结论这种基于深度学习的细菌类型鉴别方法通过自监督预训练技术与迁移学习相结合,可以学习到人类无法直观统计和观察的高维特征差异,表现出巨大潜力。此外,该方法对所用菌株的基因组序列的拼装完成度要求较低,适用范围广,更具实际应用价值。