超空泡航行体加速段控制设计

为研究超空泡航行体在加速阶段动力学建模及稳定控制设计问题,根据空泡截面独立膨胀原理研究了空泡形态及其轴线的偏移,并考虑了空泡记忆效应、重力、空化器定向效应及航行体攻角的影响.采用细长体理论计算了超空泡航行体各区域的流体动力,建立超空泡航行体加速段纵平面内运动数学模型,设计了基于输入输出精确线性化的深度跟踪控制器,并对此进行数学仿真.仿真结果表明:控制器跟踪效果良好;滑行力在极短时间内变为零,有利于提高航行体的稳定性及减小部分沾湿区的摩擦阻力.     

进程安全保护技术综述

进程安全保护是信息安全领域的一个研究热点,可以应用于计算机安全系统、网站保护、杀毒软件自保护、数字产权保护等方面.在信息安全研究的背景下,总结了进程所受到的威胁,包括软件和硬件方面的威胁;结合实际案例对进程安全保护技术从硬件和软件方面进行了详细分类,分析了每种技术的特点和不足;指出现在研究存在的问题,并展望了未来关于进程安全保护的研究方向和重点.     

一种面向微网监测的传感器协作覆盖算法

提出一种微网中的传感器协作覆盖算法。该算法在不同的时间片周期通过连通的协作覆盖集的构造和调度两个步骤实现整个传感器网络节点能源的高效利用,延长传感器网络的生命周期。仿真实验表明,提出的协作覆盖算法能够以较高的效率明显地延长传感器网络的生命周期。     

模糊系统结合蚁群算法的金具温升建模

为了得到准确可靠的阀厅连接金具温升模型,运用模糊系统结合蚁群算法的方法进行建模。在分析基本蚁群算法与梯度下降法优缺点的基础上,将两种方法结合形成改进蚁群算法,即在基本蚁群算法基础上应用梯度下降算法。通过试验得到的训练数据分别用基本蚁群算法、梯度下降算法、改进蚁群算法训练模糊系统,改进蚁群算法的收敛效果优于其他两种方法;通过试验得到的测试数据对4种方法所得的模型进行测试,由改进蚁群算法训练模糊系统所得模型的测试效果是最好的。结果表明,若能通过试验得到足量训练数据,用改进蚁群算法训练模糊系统的方法对阀厅连接金具的温升进行建模是可行的。     

天子岗水库大坝变形分析

水库变形监测是确保水库安全的一项基础监测项目,根据各期的监测数据,可进行科学的分析,从而评估水库的安全状态。结合天子岗水库变形监测的背景、监测工作的具体安排,重点对天子岗水库大坝4年的位移监测资料进行研究、分析,得出了水库整体的变形趋势和变形规律。根据分析数据可以得到天子岗水库的变形一直在安全可控状态下,大坝总体稳定可靠;同时针对4年监测过程中存在的问题提出了几点合理化建议。图7幅,表4个。     

照片数量对SfM动床河工模型地形三维重构的影响研究

SfM是摄影测量领域近年来飞速发展的三维场景重构技术,目前已在地貌勘测、文物勘察、冰川演化、岩石勘探、土壤侵蚀等研究领域开展了大量尝试和应用,而在河工模型方面的应用研究尚处于起步阶段。本文开展了输入照片数量对SfM法动床河工模型地形三维数字高程地形(DEM)重构精度影响研究,采用4个不同视角对河工模型动床冲淤地形进行拍摄,选取不同数量照片作为输入开展SfM法三维地形DEM重构,然后将每组DEM重构结果与传统测针法测量进行对比。结果表明,当照片数量较少时,增加照片数量可改善SfM重构精度,但当照片数量较多时,虽可为SfM提供更多的床面变化图像信息,但同时带来由于特征点成像变化而引起的误匹配现象,反而可能导致SfM重构精度下降。鉴于不同动床模型的模型沙和光照等外部条件不同,实际应用时须针对不同模型的特点进行深入对比和分析,选取合理的照片张数开展SfM法动床冲淤地形测量。     

遥感蒸散发数据应用对SWAT模型径流和蒸散发模拟精度的影响

为探讨遥感蒸散发数据补充研究区水文资料的能力,及其在SWAT模型应用中对径流和蒸散发模拟精度的影响。以淮河上游息县控制流域为研究区建模,并利用实测径流资料与遥感蒸散发数据(MOD16A2)设置3种参数率定情景:仅实测径流率定参数(S1)、仅遥感蒸散发率定参数(S2)、径流与蒸散发同时率定参数(S3),分析不同情景下径流与蒸散发过程的模拟效果。结果表明:从径流模拟而言,S2、S3较S1的模拟精度(NS系数)均有不同程度的降低,但S3在S2的基础上有较明显的改善;从子流域尺度上的蒸散发模拟而言,S1至S3模拟精度呈现出逐渐上升的趋势,在采用径流与蒸散发同时率定时,S3比S2情景NS系数上升的子流域个数占总数的46%。通过逐步深入探究遥感蒸散发数据在SWAT模型中的应用,以及对参数率定的影响,从而分析其对径流与蒸散发的模拟精度产生的变化,此方法也可推广到其他水文模型,在区域尺度水资源管理与利用上具有较好的参考价值。     

宁南山区不同植被退耕林地及其坡位的土壤水分时空分布特征——以骆驼林流域为例

为研究宁南山区退耕还林区不同坡位土壤水分时空分布规律,利用定点取样和室内实验相结合的方法,研究了天然沙棘和人工油松两个典型坡面的上、中、下3个坡位0～100 cm土层土壤含水率的动态变化,分析其沿深度方向变化和季节动态情况。结果表明:天然沙棘和人工油松土壤含水率最高的坡位与土壤容重最小、孔隙度最大的坡位一致,分别为中坡位和下坡位;坡位对天然沙棘土壤含水率的影响层在20 cm以下,对人工油松的影响层在40 cm以下;土壤含水率随降雨量增加而增大,天然沙棘土壤含水率对于降雨量的响应较人工油松更敏感;相同降雨条件下天然沙棘土壤含水率增幅大于人工油松;在不同坡位土壤水分的时空分布上,沿深度方向天然沙棘各坡位土壤含水率在20 cm以下土层出现差异,人工油松在40 cm以下土层出现差异,当月降雨超过200 mm时,天然沙棘各坡位间土壤含水率的差异性减小,人工油松各坡位的差异性增大,这说明植被类型对土壤含水率的分布具有重要影响。     

驾驶员转向特性分类与在线辨识研究

针对汽车驾驶员转向特性分类与在线辨识问题,基于驾驶模拟器实验台,设计典型实验工况,选取具有一定驾驶经验的驾驶员进行实验研究。采集驾驶员转向过程实验数据并提取特征值,应用模糊C均值聚类算法将驾驶员转向特性分为谨慎型、一般型和激进型三类;根据分类实验数据应用BP神经网络算法建立驾驶员转向特性辨识模型,对模型辨识准确度进行离线验证,并基于辨识模型设计在线辨识方法。实验结果表明:研究方法能够实现对驾驶员转向特性的合理分类和在线准确辨识。     

Partition model into 3D-printable and no supporting parts

The printing object must fit into the printing working volume and overhangs require a disposable support structure to be added, which are two main problems in the 3D printing process. Existing algorithms cannot solve these two problems at the same time. To solve these problems, we present a model partition algorithm, dividing the model into the pyramidal fitting printing working volume, with the pyramidal having the shape which can be printed without a supporting structure. Firstly, we partition the model surface using the region growing method and analyze the region's normal vector to determine the candidate dividing directions. Secondly, we use the candidate dividing directions to generate candidate dividing planes in order to segment the model. If the divided sub-model is not a pyramidal,continue segmenting the sub-model by using the same method until all of the sub-models are pyramidal. The candidate dividing planes may generate multi-group division modes. Each division mode constructs a tree, the evaluation function is employed to appraise the dividing values and the beam search method is utilized to search the largest value tree in the solution space which is the optimal partition. Experimental results show that the proposed algorithm can divide the model into sub-models which needn't support structures and fit into the printing working volume.