无患子实生群体种实表型性状变异研究

【目的】阐明无患子（Sapindus mukorossi Gaertn.）种实表型性状间的关系及其变异规律。【方法】从浙江省天台县8年生无患子实生林分中,选择102棵无患子单株,连续2年观测102棵单株的15个种实性状,并对观测数据进行聚类、相关性和主成分等分析。【结果】102棵无患子的15个表型性状的遗传变异系数为4.91%~65.67%;基于15个种实性状划分的6个群组间性状差异明显,可为营建不同用途的无患子林提供基本材料;果实质量、单株产量、果皮皂苷含量和种仁油脂含量是无患子4个重要的经济性状,4个性状与其他性状有着不同程度的相关关系;表征产量、种实化学成分和种实形态因子的4个主成分累积方差贡献率为81.790%,其反映的信息与基于15个性状的聚类分析、相关分析结果基本一致。【结论】无患子实生群体表型变异丰富,这些多层次变异为不同利用目标的良种初选奠定了基础。

压缩感知ISAR成像的全变差优化最小算法

对于逆合成孔径雷达(ISAR)目标成像,从少量压缩测量回波数据重建高分辨率运动目标是不适定问题,且观测噪声也会影响重建结果。在频率步进连续波ISAR系统回波观测模型基础上,结合压缩感知原理,给出了一种基于全变差正则化的ISAR压缩感知成像模型,通过将该优化模型转化为一系列简单代理函数进行求解,提出了一种快速优化最小算法。最后在不同回波信噪比条件下进行仿真验证。实验结果表明,当回波信噪比大于10 dB时,本文方法明显优于距离–多普勒算法和基于L1范数的压缩感知成像方法。

基于粒子群优化的多层介质光热深度剖面重构

基于热波阻抗法建立了多层介质的一维光热模型,从样品表面调制光热信号出发,采用粒子群优化(PSO)算法和总变差(TV)正则化方法对多层介质的热物性予以深度剖面重构。该方法将多层介质离散成一系列厚度相同的虚拟层,并将待重构的热物性深度剖面以粒子表示,再让粒子在解空间进行优化搜索。数值模拟的结果证明了该方法的有效性和实用性,适合用来重构层数未知的多层介质的热导率和热扩散率剖面。对噪声背景下光热信号的重构结果亦证实了算法的稳定性和可靠性。此外,数值结果也表明上述方法可用于热导率和热扩散率深度剖面的同步重构。