用单片机产生高频任意波形

介绍了用单片机产生高频任意波形的原理和方法。实验结果证实了这种方法的实用性。详细说明了其硬件和软件结构。     

用单片机产生有限带宽伪随机信号

由线性反馈移位寄存器产生出周期为ｐ＝２~（１１）－１的伪随机白噪声，利用快速傅里叶交换及其逆变换去除了其中低于３５０Ｈｚ和高于５５０Ｈｚ的分量，获得带宽在３５０～５５０Ｈｚ之间的伪随机信号     

液体动压向心滑动轴承的数值解

采用数值法分析解算液体动压向心滑动轴承,推导了油膜压力、承载力、摩擦力矩和端泄流量等的数值表达形式,计算了14个不同温度点及14种不同偏心率下的承载力、流量、摩擦力矩、载荷偏位角,并通过AUTOCAD绘制了它们之间的影响曲线。认为偏心率及油温对承载力影响很大,设计时应加以限制。拟合出的温度-承载力和偏心率-承载力关系式,经验证得到了较满意精度,适合于工程上应用。     

融合升力线理论和雷诺时均模拟在螺旋桨设计和 水动力性能预报中的应用

同时采用Lerbs非最优螺旋桨理论和Epps最佳环量分布理论,将螺旋桨升力线方法由初始设计应用扩展到敝水性能预报,对DTMB 4119、4381、4382和4497这4个螺旋桨的敞水性能曲线进行了预报分析.针对升力线方法在中度负载区间的适用限制和无法在黏性流场中考虑桨叶空化性能的缺陷,进一步将Epps方法与雷诺时均（RANS）模拟相结合,可明显提高低、高负载区间的敞水性能预报精度.Epps方法预报精度要高于Lerbs方法,能够满足工程初始分析需求.随着远离设计工况点（低、高进速系数）其预报误差变大,桨叶侧斜程度和纵倾存在也会增大预报误差.RANS模拟时桨叶切面型值由升力线方法提供,桨叶几何和六面体网格划分均采用程式化操作实现.在分析网格因素影响后,所得推力和力矩系数以及压力系数分布均匀与实验值吻合较好.在RANS模拟中加入混合物均相流空化模型后,可定量得出桨叶梢涡涡束在一定距离内的螺旋轨迹.结合桨叶最大负载截面的空化斗性能和梢涡涡束最小压力点幅值,可相对判定桨叶空化性能.构建了基于水动力性能评价的螺旋桨参数化设计和非空化与空化性能预报的数值平台.
     

新型X射线影像存储屏的研究

室温下在Eu²⁺掺杂的BaBrCl中, 发现经X射线辐照后的光激励发光(PSL). 光激励谱和差吸收谱(DAS)基本相同, 均为峰值波长位于550和675 nm处的宽带谱, 表明经X射线辐照后F心形成. 这使得用半导体激光器代替气体激光器作为读出光源成为可能. PSL强度与X射线辐照剂量呈线性关系, 转化效率为BaFBr:Eu富士IP板的29%.     

鱼雷推进性能的经验公式与计算流体力学预测

采用理论预测和计算流体力学（CFD）2种方法对某型导管推进器的鱼雷推进性能和雷体、推进器的水动力性能进行预测分析.结果表明：在航速10.29~25.72 m/s条件下,通过CFD计算的无附体雷体阻力系数与平板摩擦阻力系数和剩余阻力系数之和相差5.2%,即适用于雷型特征的阻力经验公式的精度较高;在进速系数为1.6~2.0时,导管推进器敞水性能曲线的CFD计算值与实验值较吻合,误差小于5%;通过CFD法计算的雷体尾流中推进器的推力、力矩和推进效率与适用于对转桨推进鱼雷经验公式的计算值相差均小于5%,说明适用于对转桨推进鱼雷的推进性能经验公式也适用于导管推进器.     

多入多出超宽带信道建模与仿真

在IEEE802.15.3a超宽带(UWB)信道模型的基础上,利用平行波近似理论,根据天线阵列的结构和多径的传播方向,提出了一种新的多入多出(MIMO)超宽带统计信道模型。各个子信道的多径幅度、相位和波达时间被引入了信道模型。子信道的信道特征参数满足超宽带信道的特征。实际测量的统计结果表明,波离角(AOD)和波达角(AOA)服从拉普拉斯分布。空间相关性、信道容量和天线间距、角度扩展之间的关系表明,该信道模型满足实际的空间相关统计特性。该模型对MIMOUWB系统的研究具有重要意义。     

参数并行：一种基于群启发式算法的机器学习参数寻优方法

针对机器学习算法超参数寻优效率低的问题和参数寻优主流算法的特点,提出了一种基于参数并行机制的机器学参数寻优方法。该方法利用群启发式算法来进行机器学习算法的参数寻优,将种群转换为Spark平台特有的弹性分布式数据集,针对参数寻优耗时特点并行计算种群中个体适应度。选取随机森林和遗传算法作为实验算法设计了多组实验对所提出的学习训练方法进行验证。实验结果表明,在20万条以下的小数据量下,文中提出的基于参数并行机制的机器学习参数寻优方法与基于数据并行机制的机器学习参数寻优方法相比,运行时间最多能够减少2个小时,并具有良好的可扩展性。     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测，综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响，提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先，提出了一种综合相关性分析模型，结合多种特征选择方法对多维气象特征实现综合评价，准确筛选与风电功率相关性较高的气象特征，提高预测精度。其次，针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多，模态混叠程度加剧的问题，提出了SECEEMD分解算法，在降低分量数量，降低模态混叠程度的同时，提高模型的训练速度。然后，分别建立NWP-LSTM和SECEEMD-BP预测模型，并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构；最后，通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据，经验证，本文所提预测模型，能较大程度提高预测精度，相较于一般预测模型，R2-Score分别提高了4%和0.6%，MAE分别降低了44%和1.1%，证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度，更加适合进行风电功率预测。