对边坡稳定分析极限平衡法中简化Bishop法的分析与改进

根据简化Bishop法的基本原理,提出了这种方法既满足整体力矩平衡外还满足整体力平衡的观点,并与严格条分法比较,得出其差异并进行了改进。改进的简化Bishop法保留了计算简单的优点,并使每一条块也保持力与力矩的平衡,从而使其计算方法与计算结果更趋合理,而且安全系数较简化Bishop法稍增大,因此更经济。     

一种基于最优在线无偏估计的空间配准方法

提出了一种最优在线无偏估计(BLUE)方法,能够对时变系统误差进行实时在线估计,但是该方法是基于二维公共直角坐标系内平移变换的,不能直接在实际工程中应用。针对上述问题,提出了基于ECEF坐标转换的BLUE方法,解决了多传感器多目标背景下的绝对空间配准问题;同时将改进后的BLUE方法应用到相对空间配准问题中,结果验证了该方法的正确性和有效性。     

不同容积流量工况下汽轮机湿蒸汽非平衡凝结流动的数值模拟

汽轮机内的湿蒸汽非平衡凝结流动产生的水滴使得工作于湿蒸汽区的透平级做功能力下降以及叶片水蚀损坏。为准确描述汽轮机级内湿蒸汽凝结流动特性,首先分析了设计工况下非平衡凝结模型与平衡凝结模型湿蒸汽分布规律,进一步研究了不同叶高处湿蒸汽凝结特性,得到不同叶高截面凝结初始位置接近但随着叶片高度的降低凝结水滴湿度极值增大的规律;然后,深度分析了不同工况下汽轮机湿蒸汽非平衡凝结流动特性,结果表明:出口湿度与湿度极值随着容积流量的降低而减少;40%设计工况时,动叶顶部出现了逆压梯度,叶顶前缘压力面处最先发生流动分离;20%设计工况时,动叶所有叶高截面压力面前缘均出现了流动分离;10%设计工况时,动叶尾缘吸力面处也发生流动分离。     

美国亚太“再平衡”战略的军事动向评析

美国"亚太再平衡"战略是一项政治、经济和军事等方面的综合战略,但在执行过程中却主要侧重军事领域。近几年,美国不断加强在亚太地区的军事存在,并通过向该地区部署先进的武器装备来增强军事优势,与盟国和伙伴国的军事合作不断加强。与此同时,美国减少了对该地区的直接安全援助。美国"亚太再平衡"的军事色彩过于浓重,导致其战略效果充满不确定性。     

基于虚拟脱靶量预测的准闭环校射方法

针对传统高炮大闭环校射脱靶量不易检测、可校射时间短暂,提出了一种基于虚拟脱靶量预测的准闭环校射方法。首先给出了弹丸双站角度测量的初始状态估计算法;其次,结合外弹道理论建立了一种虚拟等距脱靶量的预测模型,分析了射击校正量的估计方法与准闭环校射方案的实现流程。该方法避免了大闭环校射对脱靶量的直接检测,并提高了高炮闭环校射的时效性。     

应用边界交叉法的高超声速滑翔飞行器多目标轨迹优化

针对高超声速滑翔飞行器复杂约束条件下多目标轨迹设计问题,基于边界交叉法和伪谱法提出多目标轨迹优化方法。分析高超声速滑翔飞行器复杂约束轨迹优化问题的特点,提出多目标轨迹优化问题。采用边界交叉法和伪谱法将多目标轨迹优化问题转化为一组单目标优化子问题,利用非线性规划算法分别求解。在优化过程中,将已求解子问题的解作为下一个子问题的初始值,求解最大横程和最小峰值热流轨迹优化问题。仿真结果表明:所提方法能够有效搜索到优化轨迹的Pareto前沿,可以为高超声速滑翔飞行器轨迹设计提供参考。     

新型平衡变压器谐波抑制技术研究

为了解决单相大功率变流器和非线性负载给舰船电力系统带来的三相不平衡问题,首先分析了一种基于船用新型平衡变压器接线的谐波抑制系统,采用两个背靠背式运行的单相变流器实现实时谐波和无功补偿;然后,分析了谐波抑制系统的主电路结构,阐述了谐波抑制系统有功功率交换、无功功率补偿及谐波抑制原理;最后,利用Matlab建立了谐波抑制系统的仿真模型,对阻性负载和非线性负载两种工况下谐波及无功电流的补偿能力进行了仿真。仿真结果验证了该系统的正确性和有效性。     

平衡计分卡在军队绩效审计中的应用

文章分析了军队绩效审计的特点,探讨了将平衡计分卡引入军队绩效审计中的可能性,并对军队财务绩效审计、内部管理绩效审计和社会效应绩效审计提出了具体的评价指标和评价方法。     

基于深度神经网络的OFDM系统IQ不平衡补偿技术

正交频分复用(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。本文研究了IQ不平衡对OFDM系统的影响,提出了基于并联深度神经网络的IQ不平衡补偿技术。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IQ不平衡的干扰信号来自镜像子载波的先验知识来初始化神经网络,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导频的最小二乘（LS）估计补偿IQ不平衡的算法,证明了深度学习方法解决物理层问题的优越性。