利用荧光技术对二氧化硅胶体旋转流动特性的研究

应用开发的荧光测试实验台研究了纳米二氧化硅(SiO2)胶体旋转时液体的厚度变化，并计算了液体的压力分布。结果表明，流体平均厚度为0．3-0．9mm时，二氧化硅(SiO2)胶体在旋转时厚度会发生变化，中间处厚度减小，边缘处厚度增大，随着速度增大这种趋势更显著。二氧化硅(SiO2)胶体旋转时中间压力最大，随着速度增大，压力略微增大，但幅度很小。     

自动脱模的卷圆件弯曲模设计

在卷圆件成形过程中,为避免成形工具与冲压件发生干涉,采用在一副成形弯曲模上连续两次成形的方法,首先当凸模下行与活动凹模上升时,将毛坯件弯成U形;然后两个凹模滑块侧向水平向内形成两侧半圆形形状,并能使冲压件进行自动脱料。     

基于PCI总线技术的数据采集原理及其应用

本文研究了基于PCI总线技术的PCI-1710数据采集卡的工作原理及其硬件组成，详细介绍了采用VB编程对数字量和模拟量的数据采集和数据控制，实现了工业现场信号测量与控制的需要。     

液力传动插槽装置

我广生产的 A 型泵,泵体上的键槽孔是在插床上加工的,因泵体内有六个键槽孔,每加工一个孔需上下移动插头三次,劳动强度大、效率低、影响生产节拍,成为卡脖子工序。为此,我们在插床上设计制造安装了液力传动装置(图1),收到良好效果。     

雷达波导件塑性成形工艺分析及有限元数值模拟

以雷达上的波导件为研究对象,针对传统加工工艺的缺点以及工件形状特点,提出挤压成形工艺方案。利用有限元分析软件DEFORM对该工件的关键成形工序—反挤压过程进行刚塑性有限元数值模拟研究。通过数值模拟,观察到在不同压下测量时毛坯的等效应力、等效应变云图及挤压力与行程图,得到其金属流动规律,为合理设计模具和验证工艺提供依据。     

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。     

倾转式三旋翼无人机的自适应鲁棒容错控制

本文针对受到外界未知扰动和模型不确定性影响的倾转式三旋翼无人机,研究了其在尾部舵机发生堵塞故障时的容错控制问题.通过对倾转式三旋翼无人机姿态动力学特性的分析,将尾部舵机堵塞故障加入到力矩解算方程中.基于自适应反步法和非奇异终端滑模控制,提出了一种不需要故障诊断的鲁棒容错控制设计.利用基于Lyapunov的分析方法证明了闭环系统的稳定性,以及姿态误差的渐近收敛性质.通过在三旋翼无人机半实物仿真平台的实时实验以及与滑模控制器的对比,验证了该算法在无人机尾部舵机发生堵塞故障时,对姿态运动具有较好的控制效果.     

基于虚拟结构法的分布式多无人机鲁棒编队控制

针对多无人机编队控制(UAVs)问题, 本文提出了一种基于虚拟结构法的非线性鲁棒控制算法. 首先将编队 控制问题转化成两个子问题: 在惯性坐标系下虚拟刚体(VRB)光滑轨迹的生成设计, 以及在虚拟刚体坐标系下的无 人机编队队形控制设计. 针对部分无人机无法直接获取虚拟刚体状态的约束, 通过引入相邻无人机的跟踪状态, 实 现了分布式的编队控制. 同时, 考虑多无人机近距离编队飞行时相互间的气流扰动影响, 设计了基于supertwisting 的鲁棒控制算法, 提高了编队系统的控制精度和稳定性. 利用Lyapunov稳定性分析方法, 证明了位置跟踪误差在 有限时间内收敛到滑模面, 得到闭环系统全局渐近稳定的结果. 最后通过实际飞行实验, 验证了所提控制算法的有 效性和鲁棒性.     

基于层级注意力机制与双向长短期记忆神经网络的智能合约自动分类模型

针对区块链平台上智能合约应用种类繁多,人工筛选合适的智能合约应用服务日益困难的问题,提出一种基于层级注意力机制与双向长短期记忆（Bi-LSTM）神经网络的智能合约自动分类模型——HANN-SCA。首先,利用Bi-LSTM网络从智能合约源代码和账户信息两个角度同时建模,最大限度地提取智能合约的特征信息。其中源代码角度关注智能合约中的代码语义特征,账户信息角度关注智能合约的账户特征。然后,在特征学习过程中从词层面和句层面分别引入注意力机制,重点捕获对智能合约分类有重要意义的单词和句子。最后,拼接代码特征与账户特征以生成智能合约文档级特征表示,通过Softmax层完成分类任务。实验结果表明,所提模型在Dataset-E、Dataset-N和Dataset-EO数据集上的分类正确率分别达到了93.1%、91.7%和92.1%,效果明显优于传统的支持向量机模型（SVM）和其他神经网络基准模型,且具有更好的稳定性与更高的收敛速度。