基于空间特征融合的双路径图像去噪网络

深度卷积神经网络(Convolutional Neural Network,CNN)在图像去噪领域受到广泛关注。然而,随着网络深度的增加,大多数深度CNN会出现性能饱和、学习能力下降等问题。提出了一种结合局部和全局特征的双路径去噪网络,将两个不同结构的网络组合后构成一个双路径模型,增加网络的宽度,从而获得更多不同的特征。通过长路径连接融合全局和局部特征,增强层间相关性。注意力机制利用当前阶段引导前一阶段的输入,获得更多的特征。实验结果表明,我们提出的网络模型在Set12和BSD68两个数据集中的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)分别达到了32.95 dB和31.74dB。同时,主观视觉效果(如图像的边缘等细节)恢复得更好、更清晰。

基于有限元的制导火箭弹空气舵裂纹成因分析

针对制导火箭弹中空气舵表面出现裂纹的问题,进行有限元仿真分析。通过模拟固化过程的边界约束及固化压力载荷,得出的剪切应力较大位置与实际出现裂纹位置一致;复合材料成型过程中外部施加压力过大会导致空气舵金属芯网格位置与复合材料产生剪切压溃效应,增加结构残余应力,特别是舵芯根部等较薄的复合材料区域出现较大的剪切力时会导致在相应位置的舵面处出现穿透性裂纹;通过优化控制工艺参数能有效改进施压过大以及降温速率过快的情况进而预防表面裂纹的产生。结果表明,该分析为后续空气舵结构设计以及生产制造提供了指导参考。

罐类消防车全天候作战能力的提升

随着国民经济的发展以及国防建设速度的加快,火灾种类随之增多、扑救难度随之增大、灭火时间随之延长;罐类消防车作为灭火作业的主战车辆,要求具备全天候作战能力。低温环境下对民用建筑的持续攻坚灭火作业、战时低温环境下保障战机的顺利起降等更接近于实战的场面,都对罐类消防车的全天候适应能力提出更高的要求。目前国内军用及民用消防车对高温的环境适应性都能达到作战要求,但是在低温环境适应性方面还有待提高。本文主要从如何提高车辆低温环境的技术手段进行分析,使读者明白采用何种手段可以更好地提升罐类车辆低温作战性能。