多运营商高铁隧道移动网络覆盖方案

高铁移动网络覆盖是国内三大通信运营商的一个重点,而高铁隧道内移动网络覆盖更是运营商的一大难点痛点。文章根据我国中部省份某高铁线路覆盖规划实例,采用“设备+POI+泄漏电缆”模式,即三家运营商信号源设备通过同一POI(point of interface,多系统接入平台)接入,信号输出到泄漏电缆进行隧道覆盖,隧道口场坪站安装宽频切换天线对隧道外进行延伸覆盖,通过链路预算合理布置各运营商主设备信号源,从而实现隧道到室外的无缝覆盖。最后,根据已有成熟网络覆盖解决方案,对未来5G高铁隧道移动网络覆盖方案进行了探讨。     

选煤机排料系统中刮板结构的优化研究

针对选煤机排料系统的刮板易出现磨损、弯曲等问题,通过对刮板结构、受力情况进行详细分析,并提出了相应的优化设计方案.仿真结果表明,该设计方案可满足煤矿安全高效的生产需求,对实际生产中的刮板结构设计有一定应用价值.     

多源天基信息融合体系研究

天基信息应用前景广阔,但天基信息多源异构、"烟囱林立"的问题限制了对于其进一步的应用。从体系结构的角度,介绍了天基信息多源异构解决方案研究成果,并对此分类,得到天地一体化网络体系结构、区域型体系结构、资源服务中心型体系结构。最后分析了不同天基信息融合体系结构间应用方向的区别。     

VMC1000L立式加工中心整机结构优化与验证

该文采用有限元方法对VMC1000L立式加工中心进行静力结构分析,根据分析结论对机床的薄弱环节进行结构优化,并通过对比分析明确结构优化后的整机较优化前最大变形减少19.5%,且经抽样检测验证了结构优化方向的正确性。在实现整机结构优化的同时,为后续机型的设计和结构优化、分析验证提供了相应的理论依据和技术途径。     

复合材料泡沫夹层结构面板损伤缺陷贴补修补工艺研究

制备了复合材料泡沫夹层结构面板缺陷试样,并采用贴补法对缺陷试样进行了修补。通过采用DG-3胶将预先固化好的修补贴片与缺陷区域进行胶接,并采用热补仪将贴补修补后的区域进行加热固化,对贴补修补完成后的试样进行了无损检测、力学性能测试及微观结构分析。结果表明,采用贴补修补后,缺陷直径分别为20mm、30mm试样的拉伸断裂强度分别为0. 644MPa、0. 641MPa,拉伸断裂强度恢复率分别为98. 6%、98. 1%;弯曲强度分别达到2. 186MPa、2. 017MPa,弯曲强度恢复率分别为125. 0%、114. 9%。采用贴补修补法进行修补后,力学性能得到很好的恢复,胶接区域的胶粘剂、修补件与修补贴片间胶接情况良好。     

一种双向多跳中继选择算法与信息交互模型

在协同通信中,针对多跳中继通信传输网络,在单向传输模式的基础上,提出了一种双向通信模式下基于维特比算法的双向中继选择算法(BRSVA)。根据各传输中继节点间的瞬时信噪比,对维特比算法中的支路度量和路径度量进行重新定义,并且构建滑窗以限制内存,对通信网络进行研究分析,以当前跳滑窗内具有最大路径度量值的路径上第一簇中继作为该簇的最佳中继。随着滑窗向前推进,对整个中继网络每一簇进行最佳中继的选择,进而得出一条由最佳中继构成的最佳路径。最后在此路径上提出了一种新的混合型双向信息交互模型,实现通信双方的信息交互。为了验证该中继选择算法与该信息交互传输模型的效果,将其仿真结果与理想内存下的最优中继选择算法做对比,结果证明在有限的内存需求与复杂度下,该算法的中断性能可接近最优选择。     

应用膨胀算法提取目标的直接定位算法

为了解决被动雷达系统中的多发射源定位问题，提出了一种基于多重信号分类(MUSIC)算法和图像膨胀(IE)算法的直接定位方法。该方法结合了谱分析中的MUSIC思想，通过对接收量测协方差矩阵进行特征分析求解目标的位置。首先，在目标个数未知的前提下，利用Akaike信息准则(AIC)来确定模型阶数；然后，推导了基于MUSIC的定位代价函数；之后，利用图像膨胀算法处理得到的代价函数平面；最后，膨胀处理后的输出为目标个数及目标位置的估计值。提出的算法有效地解决了目标检测及提取的问题，能够确定多个目标的位置坐标，为后续的定位性能分析提供可能性，也保证了算法的完整性。进一步地分析了多个临近目标情况下影响目标提取性能的主要因素。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。