铝合金蒙皮激光除漆后新漆层的耐高温性能研究

在实际飞行环境中温度是引起漆层失效的重要因素之一,飞机在长时间服役后需去除老化漆层以便喷涂新漆层,确保飞机运行的安全性和可靠性。本文采用波长为1064 nm的平顶脉冲激光对铝合金蒙皮表面漆层进行清洗,并对铝合金蒙皮激光除漆后新漆层进行高温加速老化,模拟飞机停场时铝合金漆层系统的耐高温性。采用扫描电子显微镜、激光共聚焦显微镜、附着力测试仪以及电化学工作站,综合评价了激光除漆效果及新漆层表面形貌、漆层与铝合金的附着力、电化学阻抗特性等耐温性指标。结果表明：激光功率500 W、扫描速度4000mm/s、扫描间距0.1 mm时可将铝合金表面漆层去除且不损伤铝合金,重新喷涂后的附着力达到0级且附着力时效性能较好;150℃加速老化48 h的漆层附着力为1级,漆层表面微观形貌无明显变化、漆层光滑平整、无缺陷且低频区域电化学阻抗模值>10⁹Ω·cm²。     

基于区块链的微电网数据安全存储与删除验证方案

针对区块链存储容量有限以及数据删除无法验证的问题,在边缘计算环境下提出一种基于区块链的微电网数据安全存储与删除验证方案。利用边缘计算对电力数据进行预处理,减小数据规模,提高数据质量;分别基于K-Raft(Kademlia-Raft)和Streamlet共识协议构建安全存储链与删除验证链,前者存储密文哈希等相关信息,后者存储删除证明,实现真正的分布式存储。安全性分析与实验分析表明,该方案可以实现微电网数据的安全存储以及外包数据的高效删除验证。     

FLTD气体开关绝缘结构优化设计北大核心CSCD

FLTD气体开关结构紧凑,绝缘子的内表面沿面闪络以及放电后的电极溅射都会导致其绝缘劣化,严重影响开关的使用寿命。为防止绝缘子闪络,通过刻槽来增大沿面距离,同时增设绝缘屏挡防止电极溅射,提高开关的绝缘防护能力。通过COMSOL建立开关电场仿真模型,分析沿面距离、刻槽深度和刻槽宽度等参数对绝缘表面场强的影响规律,研究结果表明增大沿面距离,增大刻槽深度及宽度都可以有效改善沿面电场分布;仿真分析对比绝缘屏挡与金属屏挡对开关电场的影响,可知绝缘屏挡对开关主间隙间的电场无影响,而且提高了沿面距离,具有更好的防闪络和防溅射效果。根据仿真结果对开关绝缘结构进行优化设计,从而延长开关绝缘子的使用寿命。     

复杂分布数据的二阶段聚类算法

提出了一种用于复杂分布数据的二阶段聚类算法(two-phase clustering,简称TPC),TPC包含两个阶段:首先将数据划分为若干个球形分布的子类,每一个子类用其聚类中心代表该类内的所有样本;然后利用可以处理复杂分布数据的流形进化聚类(manifold evolutionary clustering,简称MEC)对第1阶段得到的聚类中心进行类别划分;最后综合两次聚类结果整理得到最终聚类结果.该算法基于改进的K-均值算法和MEC算法.在进化聚类算法的基础上引入流形距离,使得算法能够胜任复杂分布的数据聚类问题.同时,算法降低了引入流形距离所带来的计算量.在分布各异的7个人工数据集和7个UCI数据集测试了二阶段聚类算法,并将其效果与遗传聚类算法、K均值算法和流形进化聚类算法做了比较.实验结果表明,无论对于简单或复杂、凸或非凸的数据,TPC都表现出良好的聚类性能,并且计算时间与MEC相比明显减少.     

非线性模型中Bootstrap M—估计量的a.s收敛性

本文利用Ｅｆｒｏｎ’ｓ提出的Ｂｏｏｔｓｔｒａｐ方法，建立了ＢｏｏｔｓｔｒａｐＭ估计的ａ．ｓ收敛性。     

用分布式防火墙构建网络屏障

本文介绍了分布式防火墙的结构,工作原理和实现策略.分析了分布式防火墙对各类问题的解决机理.最后作者指出了分布式防火墙存在的一些问题.     

一种新型双权值人工神经元网络的数据拟合研究

在本文中提出了一种针对新型双权值神经元网络的数据拟合算法.采用这种新型网络结构和算法,可以克服传统的通用前馈网络中BP算法易陷入局部极小的问题.通过实验比较证明在相同的网络规模下,采用这种新型网络结构和算法可以取得比径向基(RBF)网络更高的拟合精度和更少的迭代次数.     

BGRU:中文文本情感分析的新方法

社交网络作为社会生活不可或缺的一部分,针对其产生的文本数据进行情感分析已成为自然语言处理领域的一个研究热点。鉴于深度学习技术能够自动构建文本特征,人们已提出CNN(convolutional neural network)、BLSTM(bidirectional long short-term memory)等模型来解决文本情感分析问题,但还存在结构较为复杂或训练时间较长等问题,而BGRU(bidirectional gated recurrent unit)能记忆序列的上下文信息,并且结构较为简单,训练速度较快。提出一种基于BGRU的中文文本情感分析方法,首先将文本转换为词向量序列,然后利用BGRU获得文本的上下文情感特征,最后由分类器给出文本的情感倾向。在ChnSentiCorp语料上进行实验,该方法取得了90.61%的F1值,效果优于CNN和BLSTM等模型,并且训练速度是BLSTM的1.36倍。