波纹度故障下低压转子系统的非线性动力学研究

针对转子系统存在滚动轴承波纹度故障的问题,以某船用燃气轮机低压转子系统为研究对象,建立了轴承波纹度故障下的双跨三支承滚动轴承转子系统的动力学模型,并采用龙格库塔法对该系统的运动微分方程进行数值求解,研究了波纹度最大幅值和波纹度个数对系统的非线性动力学特性影响规律。结果表明:随着波纹度最大幅值的变化,系统逐渐进行周期四、周期二、一个混沌域和拟周期运动;当波纹度个数远小于或远大于滚动体个数时,系统进行单周期运动,当波纹度个数接近滚动体个数时,系统进行拟周期运动,特别是当波纹度个数是滚动体个数的整数倍时,系统的非线性动力学特性变得十分复杂。研究结果可以为滚动轴承的故障诊断提供一定的理论依据,降低轴承波纹度对低压转子系统非线性动力学特性的不良影响。     

基于灰狼算法的机器人多关节综合运动轨迹优化

针对机械臂运动需满足高效率和低冲击的问题,在分析机械臂轨迹规划流程的基础上,选取了机械臂末端运动轨迹的六个关键路径点,并基于灰狼算法以时间、平滑度为目标对机械臂运动轨迹进行了优化,获得pareto最优解集。对六自由度机器人的仿真结果表明:将灰狼算法与机械臂的轨迹优化结合能得到比较好的仿真结果,理论上实现了在运动过程中抑制振动,为解决该问题提供了新的方法。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

基于犹豫度特征改进的新的直觉模糊相似度

直觉模糊集之间关系的密切程度可用相似度来度量。近年来提出了多种定义两个直觉模糊集相似度的方法,但这些方法对犹豫度的考虑不够,因而计算出的相似度大多存在反例。依据直觉模糊集信息的波动性和不确定性特征,补充拓展定义了直觉模糊相似度,并基于此给出了直觉模糊相似度的计算公式。最后在人工框架测试集中进行了验证,结果不存在反例。     

加强约束的布尔可满足硬件求解器

利用现场可编程门阵列固有的并行性和灵活性,提出在硬件可编程平台上基于随机局部搜索算法的布尔可满足性求解器,用于求解大规模的布尔可满足性问题。相对其他求解器,该求解器的预处理技术能极大提高求解效率;其变元加强策略避免了同一变元被反复连续翻转,降低了搜索陷入局部最优的可能。评估结果表明,求解器最多能处理32 000个变元/128 000个子句的实例。相比当前同类型的求解器,其求解效率明显提高。     

结合全局与局部信息的主动轮廓分割模型

针对传统的基于区域的主动轮廓模型在分割灰度不均匀图像和噪声图像存在效果不佳的问题,提出结合全局项与局部项的主动轮廓分割模型。全局项由CV(Chan-Vese)模型的保真项构成,局部项的构建考虑局部区域信息的同时引入反映图像灰度特性的局部熵信息。依据图像灰度的特点,选择合理的全局项和局部项参数,并加入正则项保证曲线在演化过程中保持平滑,保障分割结果的可靠性。通过变分水平集方法最小化能量泛函,依据梯度下降流迭代更新水平集,完成曲线演化。采用模拟图像和实际图像进行实验分析,结果表明,所提出的结合全局项和局部项的主动轮廓模型可以高效地分割噪声严重以及灰度分布不均匀的图像。     

600字入党申请书合不合格?——广东省深圳警备区用科学发展观指导基层党务工作纪实

申请加入党组织,成为一名合格的共产党员,是每名战士的迫切愿望。要实现这一愿望,首先要向党组织递交个人入党申请书,可广东省深圳警备区警备纠察连炊事班班长江靳写的600字入党申请书却被连队党支部书记退回。由此引发讨论——     

多为民族团结做好事

7月5日在新疆乌鲁木齐发生的打砸抢烧严重暴力事件,使各族群众生命财产遭受巨大损失。听此消息,不禁令人震惊与心痛!千百年来,56个民族共同生活在祖国这片辽阔富饶的土地上,休戚与共、亲如一家,处处展现着多民族、多文化相互融合,你中有我、我中有你的绚丽画卷,处处荡漾着中华各族儿女幸福祥和的笑容。历史正反两方面的经验告诉我们,民族团