用方程表示BGM故障模型的方法研究

文章首次把基于测试的非对称模型———BGM模型等价地转换为一个方程。这将给该类系统级故障模型的诊断带来很大方便。     

基于边缘方向角的自适应尺度角点检测

在边缘方向角的基础上提出了一种新颖的角点检测方法。新模型基于:边缘在角点处必定发生弯折;在一定尺度范围内,角点两边的点均有方向角的最大趋向一致性;合理的放宽尺度,角点两边的点均有方向角最大趋向一致性增强。实验结果表明:新模型能够排除更多的伪角点,利用边缘方向向量判断角点的凸凹性;和其它多种角点检测模型相比,这种方法能够提供更多的角点信息,而且检测准确率高。     

精确对准过程中的算法研究

文章基于单模阵列光纤与平面光波导对准的理论模型,对在精确对准过程中常见的两种位置搜索法(爬山法和模式搜索法)进行了仿真模拟实验.仿真实验证明模式搜索法可以更快地搜索到最大光功率值,算法收敛性明显好于爬山法.     

电子束曝光数据格式的改进设计与实现

根据中国科学院电工研究所研制的DY-2000型实用化电子束曝光系统对曝光图形数据格式的要求及用户的需要,对原曝光文件格式(EDF)进行了改进,利用VC++6.0开发环境实现了EDF格式文件的图形创建、结构体引用以及文件保存,同时增加了多层图形套刻和邻近效应修正数据处理的功能。实验结果表明,改进后的电子束曝光图形文件格式可满足用户的需求,便于用户新建版图文件,同时也提高了文件传输速度及曝光的效率。     

微通道和小通道内流动沸腾换热的研究

介绍了小通道、微通道内流动沸腾换热机理的最新进展，其中包括国内外学者对各种形状的单通道小通道内流动沸腾现象的解释及其对换热系数影响的各种不同看法，以及微通道内流动沸腾换热现象研究的概况；还介绍了小通道和微通道内流型转变的研究现状，指出了各研究者研究结果的差异，并提出要进一步探索小通道微通道内流动沸腾换热现象，必须借助更先进的观测手段等。     

基于LS-SVM和数学形态谱的局部放电模式识别

阐述了1种基于最小二乘支持向量机的局部放电模式识别的新方法.该方法采用多尺度数学形态学开运算提取局部放电信号的数学形态谱,通过数学形态谱可以看出每种类型局部放电具有不同的形态特征,把提取的形态特征作为最小二乘支持向量机的输入,然后应用最小二乘支持向量机的多分类算法来识别不同的放电类型.识别结果表明,该方法有效、可行,具...     

软土地基上挡墙结构新型式探讨

主要探讨了软土地基上挡土墙的结构型式。由于软基的摩擦系数小、承载能力差等特殊性质，使建造其上的挡墙较难满足稳定及承载力要求。结合工程实例。探讨了多种提高挡墙稳定性的结构型式，并比较了各种型式的优缺点。可供不同的地基条件下挡墙设计参考选用。     

Turbine框架在Web开发中的应用研究

从MVC设计模式视角．分析了Turbine框架的Torque、Velocity和Turbine等主要组成部分及其工作原理,并结合一个制造业库存管理系统开发应用实例,提出了一种应用基于MVC设计模式的Turbine框架开发Web应用系统的设计方法。     

一种用于非制冷红外焦平面阵列的低噪声高均匀性读出电路

提出了一种高均匀性低噪声的读出电路,该电路通过抑制非制冷红外焦平面阵列固定模式噪声,从而可实现高质量的红外图像.该电路前端采用了行共享的增益可控NMOS管抑制像元固定模式噪声,同时采用了新型的相关双采样电路抑制列固定模式噪声.在仿真基础上,采用了AMS 0.35μm CMOS工艺完成了16×16像元芯片的制备.对芯片的大量测试结果表明提出的读出电路可以有效地降低非制冷红外焦平面阵列的固定模式噪声,同时具有高均匀性的特点,适用于高性能非制冷红外探测器.     

In situ monitoring of selective laser melting using plume and spatter signatures by deep belief networks

Critical quality issues such as high porosity, cracks, and delamination are common in current selective laser melting (SLM) manufactured components. This study provides a flexible and integrated method for in situ process monitoring and melted state recognition during the SLM process, and it is useful for process optimization to decrease part quality issues. The part qualities are captured by images obtained from an off-axis setup with a near-infrared (NIR) camera. Plume and spatter signatures are closely related to the melted states and laser energy density, and they are employed for the SLM process monitoring in an adapted deep belief network (DBN) framework. The melted state recognition with the improved DBN and original NIR images requires little signal preprocessing, less parameter selection and feature extraction, obtaining the classification rate 83.40% for five melted states. Compared to the other methods of neural network (NN) and convolutional neural networks (CNN), the proposed DBN approach is identified to be accurate, convenient, and suitable for the SLM process monitoring and part quality recognition.