粉末冶金发泡时泡沫铝孔结构及泡壁的微观组织演变

研究了粉末冶金法制备泡沫铝时泡沫孔结构及胞壁微观组织变化的规律.泡沫铝发泡时经历微膨胀、显著膨胀和收缩等过程;孔结构经历了形核和长大,以及在毛细力和重力驱动下泡壁熔体的流动引起的合并粗化和孔隙率自上而下梯度减小等演化过程.加热时,铝/硅颗粒边界处硅的扩散层首先熔化,并沿着铝颗粒边界扩散,最终使铝硅粉末复合体完全熔化而实现合金化.实验发现泡壁的凝固组织与典型的变质处理后的铸造铝硅合金的组织类似.     

频率选择性衰落信道SFH/GMSK误码性能分析

针对存在频偏和频率选择性的慢衰落信道,分析给出了1比特差分相位检测SFH/GMSK系统的误码率闭式解;在此基础上,研究了载波噪声比、载波延迟比与误码率的关系,探讨了高载波噪声比下频偏和跳频速率对误码率的影响;利用Monte Carlo仿真验证了闭式解的准确性.研究表明:信道特性和跳频速率显著影响误码性能,频率偏移与误码率之间近似存在"门限效应".     

泡沫铝芯三明治板的粉末冶金制备及其板/芯界面研究

采用粉末冶金发泡法制备了Fe/Al/Fe、Ti/Al/Ti泡沫铝芯三明治结构,研究了泡沫铝芯的膨胀规律,分析了面板与泡沫铝芯的冶金结合过程,提出了微观结合机制.试验发现,结合界面由扩散反应形成的金属间化合物以及冷却得到的凝固组织两部分组成,从而形成良好的冶金结合.     

最大似然准则下的随机信号非重构压缩检测与分析

压缩采样能够较好的保持原信号的结构和信息,可以在不重构原信号条件下,直接处理采样值实现对原信号的检测。已有的信号压缩检测技术只对确知信号有效,而实际中信号多为随机信号。本文在建立基于非重构压缩采样的信号检测模型的基础上,详细推导了随机信号的最大似然检测算法,并在此基础上分析了算法的检测性能。理论分析与仿真结果表明:在虚警概率一定的条件下,检测概率随压缩比的减小呈对数增加,并且能够在获得高检测概率的同时保持较低的虚警概率;最后进一步验证了算法适用于宽带信号的检测。      

基于差分标志字节的无线通信安全策略

针对公共密钥密码系统识别模拟攻击的计算复杂度高,而功率时延模型(PDP)又受限于模型必须存在足够距离差的问题,提出一种基于差分标志字节(DFB)的无线通信安全策略,并给出了生成DFB的差分方程。该策略利用用户传输的数据信息,建立适当的差分标致字节的生成方程,使得当前传输的数据帧的标志字节由已传帧的相关参数决定,最后接收端通过阈值判决验证接收数据帧的差分标致字节,识别模拟攻击。通过理论分析,差分标致字节可以防止攻击者利用已掌握的部分通信参数信息,对用户实施反复的模拟攻击。在时间上,攻击者有效攻击时间更短,攻击达成周期更长。在空间上,攻击者空间位置被限制在有限椭圆内。最后,结合一种具体、简易的DFB进行了仿真分析,结果表明,此种简易模型下,通信系统的信噪比(SNR)高于-4 dB时,系统能够通过设置合适的阈值,能够实现针对模拟攻击的识别与防护。     

用重量法进行小流量的测量——LZH-1型数字式重量流量计

在液压元件及液压系统的性能测试中,流量的测量占有极其重要的地位。一般常用的流量测量仪表如椭圆齿轮流量计、涡轮流量计等,由于存在泄漏、摩擦,加上随温度而异的油液粘度的影响,对于小流量的测量很难获得满意的结果。若采用传统的量杯加秒表的测量方法,由于标准容器本身的变形,尤其是容器内壁油液排放不净(即所谓“挂油”现象)等因素的影响,测量结果的准确度和重复性精度也不会很高。即使用电子开关取代人工读数卡表或采用延长测量时间(即增加标准容积)的办法,也不能根本解决提高小流量测量精度的问题。     

基于广义特征子空间快速估计的语音增强算法

给出了一种基于迭代最小二乘并行计算进行广义特征矢量矩阵分解的语音增强算法．这种算法不需要假定噪声类型（白噪声或有色噪声），也无需话音的活动监测，以递推更新的方式实现含噪语音信号和噪声信号的同时对角化，弥补了其它子空间算法在收敛速度和收敛精度上的不足，仿真结果证明了本算法的有效性。     

2-(4-氨基苯基)吡啶合成方法的改进

以对硝基苯胺的重氮盐和吡啶为原料,经过Gomberg-Bachmann反应和Pd-C还原反应,合成了一种电致磷光材料关键中间体2-(4-氨基苯基)吡啶。     

基于深度学习的HARQ辅助空天地融合网络时延受限容量预测

空天地融合网络（Satellite-Aerial-Terrestrial Integrated Network，SATIN）可以满足未来网络对全时全域全空通信和网络互联互通的需求。为了降低用户端传输时延并满足高频谱利用效率的要求，研究了基于深度学习的混合自动重复请求（Hybrid Automatic Repeat reQuest，HARQ）辅助的SATIN的时延受限容量（Delay-Limited Throughput，DLT）。为了提升性能预测效率和实时性，提出了基于卷积神经网络（Convolutional Neural Network，CNN）的性能预测方法，采用了一种去除池化层的改进CNN模型。预测结果表明，所提出的CNN预测结果较优，较Elman、BP等传统机器学习方法有更好的预测性能，其误差在10浮动，且预测时间较其他方法大幅度减少。     

基于多智能超表面的信道空间内生抗干扰方法

针对现有基于干扰认知的无线通信抗干扰方法难以有效应对未知干扰和智能干扰的问题，构建了一种基于多智能超表面的动态异构冗余信道抗干扰模型，为利用信道资源抵抗未知干扰提供基础。在此基础上，提出了一种基于多智能超表面优化与选择的信道空间内生抗干扰方法。所提方法由多智能超表面优化和多智能超表面选择两步组成，首先，对发射波束、智能超表面反射系数和接收波束等参数进行解耦，并在交替优化的框架下推导了各参数的最优闭式解；然后，采用贪婪算法选择最优智能超表面用于通信，以获得最佳抗干扰性能；最后，分析了所提方法的收敛性和计算复杂度。理论分析与仿真结果表明，所提方法能够有效抵抗不确定性干扰的影响。