混合误差下半变系数模型的相合估计

讨论了误差序列是混合序列的变系数模型。给出变系数模型系数函数的局部多项式估计,并证明了该模型系数函数估计是弱相合估计。     

The Mechanical Behaviour of Polyimide/Copper Laminates Part 2: Peel Energy Measurements

The mechanical peel behaviour of laminates consisting of polyimide films adhered to copper foil using a modified acrylic adhesive has been studied over a wide range of test rates and temperatures. The laminates were prepared from polyimide films which had been subjected to either a “high-thermal history” or a “low-thermal history” treatment during the production of the film. The measured peel energies of the laminates could be superimposed to give a master curve of peel energy versus the reduced rate of peel test, Ra_T, where R is the rate of peel test and a_T is the time-temperature shift factor. The appropriate shift factors were a function of the test temperature and were mainly deduced from tensile tests conducted on the bulk adhesive. The “high-thermal history” laminates gave higher peel energies and the locus of failure of the laminates was mainly by cohesive fracture through the adhesive layer. At low values of log₁₀ Ra_T, i.e. Low rates of peel and high test temperatures, the “low-thermal history” laminates also failed in the adhesive layer and possessed similar peel energies to those measured for the “high-thermal history” laminates. However, at high log₁₀ Ra_T values, the peel energies measured for the “low-thermal history” laminates were lower and showed a wider scatter. These arose from a different locus of failure occurring in these “low-thermal history” laminates when tested under these conditions. Namely, it was found that most of these laminates failed in a weak boundary layer in the outer regions of the “low-thermal history” polyimide film.     

多通道Haar-like特征多示例学习目标跟踪

目的 提出一种基于多通道Haar-like特征的多示例学习目标跟踪算法,克服了多示例跟踪算法在处理彩色视频时利用信息少和弱特征不能更换的缺点。方法 首先,针对原始多示例学习跟踪算法对彩色视频帧采用单通道信息或将其简单转化为灰度图像进行跟踪会丢失部分特征信息的缺点,提出在RGB三通道上生成位置、大小和通道完全随机的Haar-like特征来更好地表示目标。其次,针对多示例学习跟踪算法中Haar-like弱特征不能更换,难以反映目标自身和外界条件变化的特点,提出在弱分类器选择过程中,用随机生成的新Haar-like特征实时替换部分判别力最弱的Haar-like特征,从而在目标模型中引入新的信息,以适应目标外观的动态变化。结果 对8个具有挑战性的彩色视频序列的实验结果表明,与原始多示例学习跟踪算法、加权多示例学习跟踪算法、基于分布场的跟踪算法相比,提出的方法不仅获得了最小的平均中心误差,而且平均跟踪准确率比上述3种算法分别高52.85%,34.75%和5.71%,在4种算法中获得最优性能。结论 通过将Haar-like特征从RGB三通道随机生成,并将判别力最弱的部分Haar-like弱特征实时更换,显著提升了原始多示例学习跟踪算法对彩色视频的跟踪效果,扩展了其应用前景。     

Gel chromatographic investigation of p-benzoquinone and styrene products copolymerized in the presence of BF3·OEt2

The molecular weight distribution of copolymers of p-benzoquinone and styrene was studied by g.p.c.. It was shown that the products synthesized have low molecular weights and narrow MWD. p-Benzoquinone was found to be a copolymer macromolecule regulator.     

扩展BVP振子弱周期扰动下的振荡与同步

针对扩展bonhoeffer-van der pol(BVP)振子易受不确定因素影响的问题,提出了将非线性动力学分析与数值模拟相结合的方法,并考察了弱扰动对混合模式振荡类型和同步行为的影响.根据模拟结果得知,多种类型的混合模式振荡受弱扰动的影响出现了坍塌现象,且从理论上证明了两个耦合bonhoeffer-van der pol振子的膜电压比慢变量到达完全同步时所需的耦合强度要大,在二维参数平面上,膜电压到达同步时所取参数范围应小些.结果表明,与膜电压相比,慢变量更容易达到同步,且变量之间呈现一种线性关系.     

基于稀疏重构的窄带弱信号时延估计算法

提出了一种基于稀疏重构的窄带弱信号时延估计算法.利用信号的互相关谱构造数据矩阵,然后建立时延参数的冗余字典,最后通过矩阵奇异值分解在信号子空间中利用正交匹配追踪算法得到高精度时延估计.理论分析和仿真实验验证了算法的正确性和有效性.相比于传统方法,该算法可将窄带弱信号时延估计精度提高约1倍.     

基于锁相放大算法的微弱光谱分析

由于强噪声背景的影响,在进行光谱探测的过程中收集到的信号很微弱。为了能有效的去除噪声,提出了采用锁相放大算法去除噪声提取光谱特征信号的方法。研制编写锁相放大算法,对收集的光谱数据进行处理,分析处理后的结果,光谱特征获得了放大,进一步进行两种结果的中值归一化对比,该光谱曲线与原始光谱曲线线型基本一致,且具有平滑去噪效果。该成果对微弱光谱信号去除噪声的研究具有实际意义。     

基于随机共振原理的低频弱信号检测方法研究

介绍了双稳系统,讨论了产生随机共振的条件以及输出频谱的特性。针对原双稳系统不能检测中低频率信号的问题,利用参数变换原理,推导出了一种新的模型,阐述与分析了该模型的参数变化对输出混合信号的影响。模型相对于经典双稳系统模型降低了对输入的要求。     

窄带弱信号检测中的随机共振现象研究

针对雷达、声纳和通信等领域中频段信号经常受窄带噪声污染的问题,本文采用随机共振理论,对窄带噪声环境下的弱信号检测及其随机共振现象进行研究。在圆对称概率密度的窄带非高斯噪声环境下,建立了窄带弱信号观测模型,并对局部最优检测器、广义窄带相关检测器和硬限幅窄带相关检测器中的随机共振现象的存在性进行分析与仿真,同时对给定次优系统中的随机共振性能与自适应次优系统最佳性能进行比较。研究结果表明,噪声与检测器结构参数都可视为影响检测器性能的重要因素,在局部最优检测器中不存在随机共振现象;在广义相关检测器中,广义瑞利噪声环境下的次优系统中存在随机共振现象;在硬限幅窄带相关检测器中,非尺度噪声如莱斯噪声环境下也证实了随机共振现象。该研究为提高雷达和通信领域的信号检测性能提供了理论依据。     

含软弱夹层的某公路边坡开挖支护数值模拟分析

基于某含有软弱夹层的公路边坡工程,利用有限元软件对其开挖支护过程进行数值模拟分析,计算考虑了2种不同的开挖工况：1）只开挖不支护;2）开挖并及时支护。研究表明：在开挖未支护时,边坡开挖完成后安全系数小于1,边坡整体都发生很大位移,将沿着软弱夹层带发生破坏;在开挖并及时支护时,边坡位移明显减小,软弱夹层附近塑形变形区得到了有效控制,且开挖完成后安全系数为1．87,满足设计要求。