非牛顿流体不定常环管流研究

本文采用积分变换的方法,找到了一类非牛顿流体在环形管道中不定常流动的解析解,并进行了数值计算,分析了非牛顿性系数和其他各参数对二阶流体不定常流动的影响,指出当二阶流体非牛顿系数相同时,环管流与一般管流比达到稳定的特征时间较短,并且相应的速度分布、平均速度分布数值均较小。在外半径相同时,环管流内壁的剪应力较之一般管流,其大小随内径而改变。环管流外壁剪应力总相应地小于内壁剪应力。     

基于CNN的三相逆变器开路故障诊断及其样本条件分析

为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。     

基于改进循环谱的DVB-S2信号符号速率估计算法

在循环平稳理论的基础上,对DVB-S2信号的循环谱特征进行了理论分析和推导,针对计算中出现的平滑噪声包络起伏明显影响估计性能的问题进行了分析,提出了改进措施,并利用Chirp-z变换替代FFT变换,达到了降低运算量、提高分辨率的目的。仿真结果表明改进后的方法能够在低信噪比条件下有效估计出DVB-S2信号的符号速率。     

时间距离像消隐时弹头进动与结构参数估计

考虑弹道目标时间距离像存在消隐现象,提出了一种弹道目标微距离变化曲线断续时进动与结构参数提取方法。首先,建立了弹道中段目标宽带回波模型,推导了散射中心微距离变化曲线理论公式;其次,提取了时间距离像中各散射中心的微距离变化曲线,据此提出采用选点方法实现目标进动频率和平动参数联合估计,完成了弹道目标时间距离像的平动补偿;最后,利用扩展Hough变换方法进行补偿后断续微距离变化曲线的检测,基于各散射中心间的相对位置信息实现了弹道目标的结构参数提取。电磁仿真实验验证了该方法的有效性。     

水平n层导电半空间中运动时谐垂直电偶极子的电磁场

对于n层线性、均匀、各向同性水平成层导电媒质半空间,根据时谐电磁场的麦克斯韦方程和电磁场相对性原理,利用多层介质边界条件,给出了匀速运动垂直时谐电偶极子的矢量磁位表达式以及有源层中偶极子产生的电磁场表达通式。利用所得到的表达通式,分别求解两层(空气-海水)模型和三层(空气-海水-海床)模型的电磁场,并与有关文献进行了比较分析,验证了所得表达式的正确性。     

基于自适应小波阈值的SAR图像去噪算法

针对传统阈值去噪方法处理合成孔径雷达(Synthetic Aperture Radar,SAR)图像存在的失真,边缘模糊等问题,提出了一种自适应小波阈值算法。首先对经过对数变换后的SAR图像进行小波变换。然后利用自适应小波阈值对变换后的SAR图像高频部分进行去噪处理,去噪后再对其进行小波逆变换处理。最后再进行一次指数变换,达到去噪的目的。实验结果表明,该算法能够得到较好的去噪效果,并且还有效地解决了传统算法所带来的不足。     

BP神经网络在极移预报中的应用

为了提高地球定向参数极移的预报精度,建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性,验证了基础序列重采样的可行性,提取插值基础序列数据的趋势项,利用多输入-单输出反向传播(Back Propagation,BP)神经网络建模预报不同跨度的残差序列,合并趋势项和残差序列得到最终的极移预报。预报结果表明,选取合适的插值基础序列得到的预报极移精度较高,此BP神经网络能够有效地应用于地球定向参数极移的预报。     

相控阵雷达导引头的惯性视线重构北大核心

针对弹载相控阵雷达导引头的惯性视线重构问题,提出了基于Unscented卡尔曼滤波(UKF)的视线重构方法。与传统方法相比,提出的方法无需对导引头测量的角信息使用微分网络,避免了对测量噪声的放大。仿真结果表明,该方法可有效地重构视线角,从而进一步提高视线转率的估计精度。     

新型双向电磁流量计信号特征提取及去噪实验研究

为有效抑制一种电磁流量计测量过程中产生的干扰,提高测量的精确度和稳定性,采用小波阈值去噪方法,将信噪比SNR和均方根误差RMSE作为去噪效果的评价指标,并按照小波阈值去噪的一般步骤,分析了小波基、阈值规则和变换尺度对去噪效果的影响。分析结果表明:小波基采用sym8、阈值规则采用强制去噪以及变换尺度为8时,该电磁流量计的输出信号去噪效果最好。     

基于BP神经网络的极移预报*

为了提高地球定向参数极移的预报精度,建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性,验证了基础序列重采样的可行性,提取插值基础序列数据的趋势项,利用多输入-单输出BP神经网络建模预报不同跨度的残差序列,合并趋势项和残差序列得到最终的极移预报。预报结果表明,选取合适的插值基础序列得到的预报极移精度较高,此BP神经网络能够有效地应用于地球定向参数极移的预报。