稀疏阵列的FIM波束形成

运用插值技术对等距稀疏阵列进行FIM（傅里叶积分法）波束形成处理,不仅有效地增加了阵元数目,而且解决了等距稀疏阵列因阵元间距大于半波长而引起的信号角度模糊问题,同时采用FIM波束形成技术提高了指向性性能和抑制相关干扰噪声性能。通过对插值技术和FIM波束形成技术的研究,给出了设计虚拟阵列的计算步骤。通过对仿真数据和实测声呐海试数据进行处理证实了该方法的有效性。     

一种可实现自适应双向互投的备自投方案研究

本文通过在5·12汶川大地震后新津变电站为给金马变电站提供备用电源而自己失去备用电源的问题入手,对现有备用电源自动投入装置的原理及充放电动作逻辑进行了详细地分析,提出一种能实现自适应双向互投的备自投方案,并对该方案的充放电条件及动作逻辑进行了具体研究,最后把该方案实例运用到新津变电站中解决了之前现有备自投不能解决的新津站无备用电源问题。     

牵引变压器多参数综合在线监测研究

基于牵引负荷和牵引供电系统的特点,牵引变压器的监测方式必须有别于电力变压器,采用特殊的监测项目。首先分析了牵引变压器工况的特殊性,提出采用监测绕组过热、油中DGA,配合局放监测、铁芯接地电流、高压套管介损等参数综合利用来对牵引变压器运行工况进行综合故障性质判别,对在线监测系统的通信层和监测层方案进行了研究,最后讨论了在线监测系统与综合自动化系统的组网接口方式。     

遥感图像中油罐目标精确定位与参数提取

目的 浮动顶油罐是遥感图像中具有圆形特征的典型人造目标,其高精度定位与参数提取问题是一类代表性的应用问题,针对该问题,传统的基于圆形特征的变换域提取方法鲁棒性差,参数选择需要不断手动调整;基于深度学习的方法利用对已有标注图像的训练求解网络参数,提高了自动化程度,但对于圆形目标而言,覆盖圆周需要较大的感受野,这对应较大的网络结构,随之带来细节信息缺失或参数量、运算量增大的问题。本文针对油罐的定位与参数提取问题,将传统特征提取与深度学习结合,提出了一种计算量小、精度高的方法。方法 基于快速径向对称变换（fast radial symmetry transform,FRST）后的变换域数据及原始数据构建了卷积神经网络（convolutional neural networks,CNN）,给出了训练过程及参数选择,有效地将圆形特征的先验引入深度学习过程,计算复杂度低,用较少层的网络实现了高精度的定位。结果 基于SkySat数据的实验表明,该方法比单纯基于深度学习的方法在相同网络量级上精度得到了有效提高,预测误差平均降低了17.42%,且随着网络深度的增加,精度仍有明显提高,在较浅层次网络中,预测误差平均降低了19.19%,在较深层次网络中,预测误差平均降低了15.66%。结论 本文针对油罐遥感图像定位与参数提取问题,提出了一种基于变换域特征结合深度学习的方法,有效降低了计算量,提升了精度和稳定性。本文方法适用于油罐等圆形或类圆形目标的精确定位和参数提取。     

一种可实现自适应双向互投的备自投方案研究

本文通过在5.12汶川大地震后新津变电站为给金马变电站提供备用电源而自己失去备用电源的问题入手,对现有备用电源自动投入装置的原理及充放电动作逻辑进行了详细的分析,提出一种能实现自适应双向互投的备自投方案,并对该方案的充放电条件及动作逻辑进行了具体研究,最后把该方案实例运用到新津变电站中解决了之前现有备自投不能解决的新津站无备用电源问题.     

一种可实现自适应双向互投的备自投方案研究

本文通过在5.12汶川大地震后新津变电站为给金马变电站提供备用电源而自己失去备用电源的问题入手,对现有备用电源自动投入装置的原理及充放电动作逻辑进行了详细的分析,提出一种能实现自适应双向互投的备自投方案,并对该方案的充放电条件及动作逻辑进行了具体研究,最后把该方案实例运用到新津变电站中解决了之前现有备自投不能解决的新津站无备用电源问题。