高速列车受电弓气动噪声分析与空腔降噪研究

随着高速列车运行速度的不断提高,受电弓气动噪声也愈加严重。针对这一问题,文中采用LES大涡模拟、边界层噪声源模型和FW-H声类比法,通过建立某型号受电弓局部1:1气动噪声分析模型进行数值模拟。文中研究了受电弓各部位的气动噪声贡献量,还探究了针对较大噪声位置空腔采用射流降噪方法的降噪效果。结果表明,当网格总数为4 323万个时,数值模拟精确度满足要求。受电弓空腔上游和空腔中部绝缘子是气动噪声的主要来源。在射流降噪前后,空腔内部气动噪声均为宽频带噪声,主要能量集中在0~4 500 Hz。对250 km·h^-1行驶速度下的空腔进行主动射流降噪,距列车25 m远处的垂向监测点声压级最小值为81.65 dB,比降噪前降低了2.64 dB。     

光通信系统中信道模型与FEC码型构造的分析

对光通信系统中光发射机产生的噪声、光纤中的噪声、放大器的放大的自发辐射(ASE)噪声和光接收机噪声等噪声进行了分析与探讨.用中心极限定理将其中一些噪声综合化归成高斯噪声,再利用随机过程知识将光通信系统信道中的噪声简化为高斯噪声,从而建立了光通信系统的信道模型,即加性高斯白噪声信道模型,基于此信道模型对光通信系统中误码率进行了理论分析.并基于这些分析以及对光通信系统中前向纠错(FEC)码型的分析,提出了光通信系统中FEC码型的主要构造方法.     

自适应多层快速多极子算法及其并行算法

在多层快速多极子算法的基础上提出了一种改进的电大问题电磁散射快速算法及其并行算法.算法中将基函数和权函数分别用不同空间位置上的点源函数展开,使各部分的积分计算得到大大简化,所有转移过程可由快速傅里叶变换计算完成,同时还给出了该算法的并行化算法.数值结果说明了算法的有效性.     

基于GPRS的环境噪声监测系统的设计与实现

针对环境噪声监测中多点声级数据采集以及实时传送的要求,提出了基于分组无线业务(GPRS)的新型环境噪声监测系统,实现环境声级数据的远程、快捷及低成本传输.提出了系统的总体设计方案,详细分析了系统的组网方案以及PPP网络连接和Socket编程等关键技术,实现了监测中心与监测终端之间的实时命令控制及数据传输,最后系统引进了低成本策略降低了使用成本,突破了系统的应用局限性,使该系统在环境噪声监测及控制领域具有良好的应用价值.     

碳纳米管场效应晶体管电子输运特性的研究

由于硅器件尺寸不断缩小至纳米尺度,人们因此对纳米尺度器件开展了理论与结构方面的广泛而深入的研究,其中最重要的纳米尺度器件是基于碳纳米管的电场效应器件并被称为碳纳米管场效应晶体管(CNTFET).本文分析了碳纳米管场效应晶体管沟道电子的传输特性,并给出了用器件端子参数描述的器件I-V特性方程表达式,计算了器件的I-V特性曲线并把结果与纳米器件专用分析软件nanoMOS-2.0给出的结果作了比较,发现本文模型的计算结果均大于nanoMOS-2.0给出的结果,表明本文模型尚需进一步的深入分析和优化.     

圆极化解耦手性辅助超表面

设计了一种圆极化手性辅助微波段超表面,根据手性结构的自旋相关响应特点,通过调节单元中圆弧的张角可以独立改变左旋/右旋圆极化波的反射相位,同时反射的同极化波束幅度能维持较高水平。为了证明所提出单元的有效性,分别设计了左右旋波束独立偏转和携带不同拓扑电荷数的涡旋波束2个超表面。仿真结果表明,所提出的单元能够有效对2个正交圆极化波束进行解耦使其独立工作。该方法也可以拓展到其他频率,为电磁波极化复用提供一种新的思路。     

矩形波导加载光栅结构的太赫兹振荡器

本文采用矩形波导加载光栅的慢波结构作为太赫兹返波管的高频结构,通过理论分析和电磁仿真研究了该慢波结构的色散特性和互作用阻抗,理论分析结果和仿真结果能很好地吻合。在理论分析的基础上,设计了一个中心频率为340GHz的返波管,经粒子模拟软件计算,在较低电流密度的情况下该返波管输出功率达100mW且可调带宽约30GHz。     

高集成度的高频多普勒探测系统的设计

地震、台风、磁暴等天气事件爆发时,引发的电离层扰动会对无线电波的传播环境造成影响,使空间传播的高频无线电信号产生多普勒频率偏移.针对此问题,提出了一种新型的高集成度的高频多普勒探测系统.通过研发的高集成度的高频多普勒接收机接收来源于电离层反射的高频无线电信号,经过信号处理电路的混频处理获得低中频信号,再通过数据采集卡采集信号并保存在PC机上,利用上位机软件对保存的数据进行实时处理,得到高频多普勒频移的变化曲线,从而研究电离层扰动特征.同时给出了电离层日出效应、偶发E层和行进式电离层扰动等探测实例.实际观测表明:该探测系统运行稳定可靠,可以用于电离层环境的长期监测.     

基于卷积神经网络的随机因子重采样图像检测

图像重采样检测是图像取证领域的重要任务,其目的是检测图像是否经过重采样操作。现有的基于深度学习的重采样检测方法大多只针对特定的重采样因子进行研究,而较少考虑重采样因子完全随机的情况。本文根据重采样操作中所涉及的插值技术原理设计了一组高效互补的图像预处理结构以避免图像内容的干扰,并通过可变形卷积层和高效通道注意力机制(efficient channel attention, ECA)分别提取和筛选重采样特征,从而有效提高了卷积神经网络整合提取不同重采样因子的重采样特征的能力。实验结果表明,无论对于未压缩的重采样图像还是JPEG压缩后处理的重采样图像,本文方法都可以有效检测,且预测准确率相比现有方法均有较大提升。