基于记忆有理函数的功率放大器行为模型

针对功率放大器的非线性特性及记忆效应,提出了一种基于记忆有理函数的功放行为模型。在传统记忆多项式模型和无记忆有理函数模型基础上,构建记忆有理函数模型,并利用共轭梯度法辨识模型系数,同时比较不同记忆深度和不同非线性阶数下的归一化均方误差,获取最佳记忆深度和非线性阶数。采用多载波的WCDMA信号和MRF6S21140H功放来验证模型的有效性,并与记忆多项式模型、无记忆有理函数模型进行了比较。结果表明,记忆有理函数模型在减少系数数目的同时具有更好的逼近精度。     

航天测控系统任务可靠性分析的EOOPN模型

提出了一种可用于航天测控系统任务可靠性分析的扩展面向对象Petri网（extend object-oriented Petri nets, EOOPN）模型,旨在对给定的航天测控方案进行可靠性评估分析。针对问题特点明确了OOPN扩展思路,给出了EOOPN模型的形式化定义、运行规则和建模步骤,模型通过引入公共库所、激发弧、消息变迁和消息处理函数等概念,体现了面向对象的思想,具有很好的层次性和模块性。所建立的EOOPN模型能够完整的描述航天测控系统的组成和任务特点。通过对算例模型仿真运行,表明实验结果具有良好收敛性,与Markov解析值对比误差在1%以内,从而验证了模型的有效性。     

应用函数Laurent展开定理化有理分式为部分分式

将函数Laurent展开定理及留数概念应用于有理分式是将有理分式化为部分分式的一种行之有效的方法。     

弹药库防静电方法研究

根据弹药库静电危险场所的分类等级,以形成静电危害的3个基本条件为依据,讨论了弹药库防静电危害常用措施:设施设备静电接地、防静电工作台、人体静电防护、铺设导电(或防静电)地面以及各自防静电要求.这些措施为防止和消除弹药库的静电危害提供了根本保障.     

美国2014年《四年防务评估报告》特点

2014年3月4日,美国国防部向国会提交了2014年版《四年防务评估报告》和《2015财年国防预算报告》。《四年防务评估报告》更新了再平衡战略,为美军建设提出了优先发展方向,要求美军联合部队向“更小型化”转型,以满足未来军事行动需求。     

预压力滚压表面纳米化技术原理及应用

针对装备零部件表面疲劳失效的问题,开发了一种能够在堆焊修复层表面制备纳米晶粒的预压力滚压技术,分析了该技术的设备特点和基本工作原理,利用场发射扫描电镜、高分辨透射电镜和纳米压痕仪对堆焊层表面纳米晶层微观结构及力学性能进行了分析。结果表明:滚压加工后,零件表面形成明显的塑性变形层,其中严重塑性变形层厚度约为15μm;最表层形成了细化均匀的纳米晶层,平均晶粒尺寸约为10 nm;表面硬度提高了3倍。该技术能够有效地细化表面晶粒,达到优化金属零件表面结构的目的。     

一类具有饱和发生率的离散型SIS传染病模型

研究一类具有饱和发生率的离散型SIS传染病模型,得到了模型的基本再生数.通过线性化的方法,运用LaSalle-Lyapunov定理,证明当基本再生数R01时,无病平衡点是全局渐近稳定的;通过迭代的方法,证明当基本再生数R01时,地方病平衡点是全局渐近稳定的.     

通风强度对温湿度分布和壁面结露的影响

为研究通风对室内温湿度分布和壁面结露的影响,提出了一种三维非稳态数学模型.在含有湿热源的环境中,利用Fluent软件对该模型进行数值计算,分析了通风强度对空间和墙体壁面温湿度分布的影响,并模拟不同通风强度下,壁面结露面积的动态发展过程.模拟结果表明通风强度对室内空间及壁面温湿度分布和结露形成均有显著影响.因此,对于湿气较重的场所,合理改变通风强度可有效改善室内热湿环境和壁面结露等问题.     

基于快速点特征直方图的特征点云迭代插值配准算法

为提高三维激光扫描点云数据的配准精度,提出了一种基于快速点特征直方图特征的迭代插值配准方法。配准过程中,点云数据获取时受扫描仪分辨率影响,点云局部或整体密度偏小,两次测量点云数据的相同位置不存在完全相同的点,以致对应点之间存在误差。为减小误差对配准精度影响,引入迭代插值方法,增加点云整体密度。通过计算关键点的快速点特征直方图的特征寻找对应关系,使用随机采样一致算法去除错误对应关系,对对应点协方差矩阵进行奇异值分解求得粗配准旋转平移矩阵,再使用迭代最近点算法进行点云的精确配准。实验结果表明,改进的配准方法简单、稳定可靠、计算速度有所增加,有效地提高了配准精度。     

Sequential learning versus no learning in Bayesian regression models

We consider two regression models: linear and logistic. The dependent variable is observed periodically and in each period a Bayesian formulation is used to generate updated forecasts of the dependent variable as new data is observed. One would expect that including new data in the Bayesian updates results in improved forecasts over not including the new data. Our findings indicate that this is not always true. We show there exists a subset of the independent variable space that we call the “region of no learning.” If the independent variable values for a given period in the future are in this region, then the forecast does not change with any new data. Moreover, if the independent variable values are in a neighborhood of the region of no learning, then there may be little benefit to wait for the new data and update the forecast. We propose a statistical approach to characterize this neighborhood which we call the “region of little learning.” Our results provide insights into the trade‐offs that exist in situations when the decision maker has an incentive to make an early decision based on an early forecast versus waiting to make a later decision based on an updated forecast. © 2014 Wiley Periodicals, Inc. Naval Research Logistics 61: 532–548, 2014