一种基于模糊密度动态调节的融合目标识别方法

针对工程应用的需要,给出一种根据实时动态数据确定模糊密度调节系数的方法,并建立了基于模糊密度动态调节的融合目标识别算法.最后通过仿真实验给出了各种模糊积分用于目标融合识别时的识别结果,验证了所提出方法的有效性.     

TH-UWB系统抗干扰性能研究

从频域角度探讨TH-UWB系统对窄带干扰的抑制能力,采用信号功率谱分析方法,研究UWB系统的调制技术和脉冲成形技术,提出线性组合高斯单周脉冲设计陷波频谱.理论分析及计算机仿真结果表明,合理选择超宽带信号调制方式和脉冲,可在一定程度上提高超宽带系统抗干扰能力.应用提出的线性组合高期单周脉冲作为UWB发射信号,可以有效减小UWB信号对外界的干扰.     

HClO对贻贝粘附单元DOPA氧化的理论研究

采用量子化学密度泛函理论(DFT)研究贻贝粘附单元DOPA(3,4-二羟基苯丙氨酸)的结构与性质,得分子的几何构型、原子电荷分布、反应活性及热力学等参数,表明:DOPA苯环易与HClO(次氯酸)发生亲电取代反应(1),生成3-氯4,5-二羟基苯丙氨酸,阻碍生成贻贝内超强粘附单元DOPA二联体,降低粘附蛋白间粘性;DOPA侧链易与HClO发生亲电亲核反应(2),促使DOPA侧链的断裂,降低粘附蛋白内粘性;在相同温度下,反应(1)和反应(2)的△G<0,且△G(1)<△G(2),反应(1)较易发生.     

环氧乙烷于控制保险粉合成中的副反应

采用密度泛函理论B3LYP法及自恰等密度PCM模型,在6-311G(d)基组条件中研究环氧乙烷在保险粉生产中参加的主要反应,系统论证环氧乙烷的去向.本文首先分析环氧乙烷于控制硫代硫酸钠含量的热力学、动力学基础及体系中各亲核试剂的反应活性,然后分析环氧乙烷各主要反应的比例关系.理论计算结果与实验结论一致,即硫代硫酸钠消耗的环氧乙烷最多(71.5%),其次是水(17.5%),甲醇(5.0%),亚硫酸氢钠(1.3%).     

多进制基带信号功率谱密度的仿真分析

随着信息技术的发展,多进制数字基带信号的应用越来越广泛.而分析其频谱特性对多进制数字基带信号的应用十分必要.以二进制数字基带信号为基础,利用交变波和稳态波分解法首先分析了三进制数字基带信号的功率谱密度,然后推广分析了M(M≥2)进制数字基带信号的功率谱密度特性.最后分别选取二进制、三进制和四进制数字基带信号用Mat-hb平台仿真分析了其功率谱密度,结果显示多进制数字基带信号的频谱一般由离散谱和连续谱组成,但在特定的条件下,其频谱中将只存在连续谱成分,而不存在离散谱.仿真结果为多进制数字基带信号的分析和应用提供了有益的参考.     

液态烃介质流量的温度补偿

介绍了液态烃介质流量的温度补偿问题,结合实际工况,总结计算方法,以及结合DCS系统具体解决方法。     

基于ANSYS的单级行波感应发射器磁场仿真分析

本文首先描述了行波感应发射器的基本原理及结构组成,在此基础上分析了行波磁场的形成.然后应用有限元软件ANSYS对行波感应发射器的磁场进行了仿真分析.通过仿真分析,得出了发射器的磁力线、磁通密度分布图以及线圈响应电流曲线和节点磁场强度曲线.     

高计算密度服务器组装结构分析

随着高计算密度服务器的峰值性能急剧提高,服务器的体积和功耗也急剧增加。因此,高计算密度服务器必须关注组装结构设计,以减小服务器的性能体积比、性能功耗比。根据计算节点板的布局,本文提出将高计算密度服务器的组装结构分为四类,详细描述了正在发展的有背板双面插箱（件）的组装结构;列举了最新的高计算密度服务器系统统的组装结构参数,对各种组装结构进行了分析,并指出了高密度组装的发展趋势。     

高压涡轮非对称叶冠表面热负荷特性研究

高压涡轮带冠叶片工作于高温、高压和高转速的恶劣环境中,导致叶冠容易发生掉块现象,这严重威胁到燃气涡轮发动机的安全运行。因此,有必要研究不同参数对涡轮叶冠表面热负荷变化的影响以及作用机制,该文着重分析不同叶冠结构、宽变工况对叶冠表面热负荷变化的影响,同时,根据叶冠表面壁面热流密度的分布和变化规律,对叶冠结构形状进行改进,最终达到降低叶冠表面热负荷的目的。研究结果表明：由于篦齿的密封作用,叶冠后缘容腔内的泄漏流流动比叶冠前缘稳定,导致叶冠后缘的壁面热流密度分布比前缘更加规律。宽变工况条件下,主要通过影响叶冠前缘的壁面热流密度分布进而改变叶冠表面的热负荷。最后发现对叶冠后缘切削10%的面积,可以降低叶冠表面热负荷高达19.2%,这为今后新型涡轮带冠叶片设计提供参考。     

融合双注意力机制的人群计数算法

针对背景复杂、遮挡、人群分布不均等人群计数常见问题,提出了一种结合联合损失的空间-通道双注意力机制卷积神经网络模型(joint loss-based space-channel dual attention network, JL-SCDANet).该网络前端进行图像粗粒度特征提取,中间加入空间注意力机制以及通道注意力机制突出图像重点区域,后端使用可加大感受野且不丢失图像分辨率的空洞卷积提取深层二维特征.此外,该模型结合联合损失函数进行训练,以增强模型的鲁棒性.为了验证模型的改进效果,在3个公共数据集(ShanghaiTech Part B、mall和UCF＿CC＿50)上分别进行了对比实验,在ShanghaiTech Part B数据集中平均绝对误差(MAE)和均方误差(MSE)分别达到了8.13和13.13;在mall数据集中MAE、MSE达到了1.78和2.28;在UCF＿CC＿50数据集中MAE、MSE分别达到了182.12和210.24,实验结果证明了该网络在提高人数统计准确率上的有效性.