光波束形成中色散延时的非线性修正

光波束形成网络是光控相控阵雷达中的重要组成部分，有助于提升系统的宽带宽角扫描能力。利用光开关的切换，改变各收发通道间的相对延时量，从而实现波束指向的变化。在常用的技术中，色散延时是一种简洁的光波束形成实现方法，而色散线性项仅适用于色散量小且通道数少的情况。随着延时量的增加，非线性色散延时积累，会引起波束畸变。因此引入相对色散斜率（RDS）作为其非线性因子，并通过调整商用激光器波长来抵消色散介质的非线性效应。当RDS为0.003 nm?1时，激光器阵列的最大波长间隔从0.796 nm “拉伸”到0.862 nm，波长也整体“平移”?0.31 nm，修正波长与商用激光器波长的最大调整量为0.2 nm，可满足商用波分复用器的通带带宽，大扫描角时主瓣与副瓣之比从5 dB提升至12.9 dB。通过分析，RDS数值越小，激光器波长的修正量越小。因此，RDS是选择色散介质和调整激光器波长的重要参数，从而能够恢复波束畸变，以提升相控阵系统的成像、识别能力。     

梯度铝蜂窝夹芯板的力学行为

梯度分层铝合金蜂窝板是一种有效的吸能结构,本工作在梯度铝蜂窝结构的基础上根据梯度率的概念,通过改变蜂窝芯层的胞壁长度,设计了4种质量相同、梯度率不同的铝蜂窝夹芯结构。通过准静态压缩实验,并结合非线性有限元模拟准静态及冲击态下梯度铝蜂窝夹芯结构的变形情况及其力学性能,分析对比了相同质量下梯度铝蜂窝夹芯结构在准静态下的变形模式以及冲击载荷下分层均质蜂窝结构和不同梯度率的分层梯度蜂窝结构的动态响应和能量吸收特性。结果表明:在准静态压缩过程中,铝蜂窝梯度夹芯板的变形具有明显的局部化特征,蜂窝芯的变形为低密度优先变形直至密实,层级之间的密实化应变差随芯层密度的增大而逐渐减小;在高速冲击下,梯度蜂窝板并非严格按照准静态过程中逐级变形直至密实,而是在锤头冲击惯性及芯层密度的相互作用下整体发生的线弹性变形、弹性屈曲、塑性坍塌及密实化;另外,在本工作所设计的梯度率中,当梯度率为γ₁=0.0276时,梯度蜂窝夹芯板的吸能性达到最好,相较于同等质量下的均质蜂窝夹芯板,能量吸收提高了10.63%。     

变压器内部故障在线检测方法仿真及误差分析

为研究变压器内部故障在线检测方法的有效性及抗干扰性,搭建实际变压器的非线性三维有限元模型.对变压器常见几种类型的内部故障进行详细的结构仿真,通过"场-路耦合法"构建各类型故障的ΔV-I1轨迹.同时,通过对正常绕组的测量信号设置一定的误差,构建了考虑测量误差时的误差轨迹.在此基础上,将正常时的标准轨迹、误差轨迹和各种类型的故障轨迹进行对比分析,通过对ΔV-I1轨迹特征差异的定性分析与定量计算,验证该方法在实际应用中的有效性,总结判断各类型故障的规则,同时针对测量误差所造成的干扰提出了建议.     

基于改进粗糙集的混合传感器节点分类算法

混合传感节点的属性较难形成统一识别特征，其节点属性约简过程复杂，存在分类时间长及分类性能差的问题。为此，提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值，利用遗传算法优化粗糙集修正校验结果，获得统一编码形式的节点。在此基础上，排除了属性权重为“0”的属性，完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式，进行混合节点分类。根据约束条件选取对应的分类方法，实现混合传感节点高精度分类。仿真结果表明，所提算法的分类用时低于520 ms，且该方法的查全率、查准率及F1值均高于对比方法，混合传感节点分类性能较好。     

倾斜角影响下磁悬浮双转子系统的振动分析

针对倾斜角影响下磁悬浮双转子系统的转子振动问题，建立系统10 自由度力学模型，并推导系统的微分方程。通过MATLAB仿真软件中四阶龙格库塔法对系统微分方程进行求解，研究表明转速比和倾斜角的增大均会增大转子到达平衡位置的偏移距离，不同的是，前者会使转子的轴心轨迹变得更为复杂，而后者会增大转子的最大振动幅值。从非线性角度分析发现，转速比的增大会降低转子进入混沌运动的转速，降低系统的稳定性，而倾斜角的存在会使系统产生复杂的运动状态，但倾斜角的增大对系统的稳定性无影响。研究结果可以为磁悬浮双转子系统的设计提供一定的理论指导。     

复杂环形内悬空空间网格结构施工卸载优化

为解决麦积山景区游客服务中心项目的卸载施工难题，选取合理的卸载方法，文中借助了有限元软件对拟定的4种卸载方案进行了模拟分析，分别从关键节点的位移变形、结构杆件的最大应力变化、主体结构的支撑体系受力转变、临时支撑的最大反力变化、临时支撑的总反力几个方面优选出了最佳的卸载方案。结果表明内至外卸载方案下，卸载的动态最为平稳，有利于结构和临时支撑的稳定，为最优卸载方案。其相应的分析过程和分析结果都能为类似结构的安全卸载施工提供相关指导和借鉴。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。