自回转刀具切削SiC_w/LD_2铝基复合材料的切削力

针对自回转刀具切削碳化硅晶须增强铝基复合材料时的切削力特性问题,采用自回转刀具和圆形固定刀具切削SiC_w/LD_2铝基复合材料、45钢和铝合金,用Kistler测力系统检测和分析切削力.试验结果表明,自回转刀具与圆形固定刀具相比平均背吃刀抗力F_p减小了30%—60%,峰值减小了70%—80%;随着切削速度的增加自回转刀具的切削力呈快速减小的趋势,其切削力系数K_p1.圆形固定刀具的切削力亦呈减小的趋势,但切削力系数Kp1;随着进给量的增大,固定刀具的切削力增加剧烈,其切削力系数K_p1,而自回转刀具的切削力增幅很小,且切削力系数K_p由大于1转变为小于1,减小的幅度明显;自回转刀具是加工中低体积分数铝基复合材料时的高性能低成本刀具之一,宜采用高切削速度、大进给量的方式进行加工.     

浅层软基处理实例分析

随着天津滨海新区的蓬勃发展,环渤海湾吹填造陆工程大规模的开展,在新近吹填形成的软弱粘土上进行基础建设的需求越来越迫切,本文针对新近吹填软弱粘土进行浅层加固,在加固方案设计、施工工艺、监测效果等方面进行了分析。     

基三分层互连网络的网络属性和功耗分析

片上网络是一种新型的片上设计模式,被认为是更加理想的多内核互连技术.基三分层互连网络是一种新型的片上互连结构,该网络拓扑结构简单、节点度数低,具有明显的层次性和对称性以及良好的扩展性.针对THIN从网络属性和功耗方面进行了深入的研究,并和其他常见互连网络进行了比较,结果表明:THIN是一种更适合用来构建核间互连的片上网络.     

两类新的四次广义Ball曲线

为了实现从四次Wang-Ball到Said-Ball曲线的过渡,以及从四次Said-Ball到Bézier曲线的过渡,定义了2种带形状参数的曲线。第一种曲线包含了四次Wang-Ball和Said-Ball曲线以及介于它们之间的无数曲线;第二种曲线包含了四次Said-Ball和Bézier曲线以及介于它们之间的无数曲线;通过分析新曲线与四次Bézier曲线之间的关系,得出了形状参数的几何意义,并给出了它们的几何作图法。     

基于声发射的超声谐振频率在线监测系统研究

采用基2FFT算法原理编制了快速傅里叶变换程序,利用计算机声卡采集数据,通过测量超声振动系统的声发射信号,实现了超声振动系统谐振频率的在线实时监测。该系统为评价超声加工效果,分析加工过程中的力及其他加工参数对振动系统的影响提供了手段。     

基于RBF神经网络的异向介质基本单元分析

利用径向基神经网络(RBF神经网络)对异向介质的基本单元进行分析,建立异向介质等效介电常数及等效磁导率与介质敏感结构参数之间的神经网络模型.实验结果表明,该模型所得结果与全波分析相吻合,分析时间为138.465793s,训练平方和误差为0.0374879,满足工程要求.验证了该模型的可靠性及合理性,减少数值分析法由于厚度谐振等问题而引起的结果错误问题,解决了异向介质分析精度与效率难以共存的问题.     

基于DDST的MIMO时频双选信道的信道估计

针对多输入多输出时频双选择性信道,提出了一种基于信息叠加训练序列和最小二乘相结合的信道估计方法.基于基扩展模型构建MIMO时频双衰落系统,采用DDST算法估计信道矩阵,对误码率进行分析.训练序列采用等幅度的周期指数序列,同时在基于叠加训练序列估计的基础上叠加一个基于信息的周期序列.实验表明,基于DDST的MIMO时频双选信道估计方法比传统的估计方法显著降低了信道估计的均方误差和误码率,并能保持较高的频带利用率.     

提升类小波变换加速的模基参数估计算法

将提升类小波变换(lifting wavelet-like transform, LWLT)应用于矩量法（method of moment, MOM）快速求解电场积分方程（electric field integral equation, EFIE）,对生成的稀疏化线性系统采用模基参数估计（model based parameter estimation, MBPE）算法求解,可获得小波域的宽带解,结合小波逆变换,最终实现目标电磁散射特性的宽频分析。通过不同三维散射体的计算分析,验证了算法的正确性。与传统模基参数估计算法相比,所提算法在计算时间和内存耗费上均有很大改善。     

地面站数传系统的RBFNN模型及算法

针对难以建立精确数学模型的地面站数传系统,提出改进梯度迭代学习的径向基神经网络建模方法。改进梯度学习算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;改进迭代过程中网络参数的梯度信息计算方式,加快了迭代收敛速度;并增加结构调整过程,实现对网络规模的精简。通过采集地面站数传系统输入-输出数据,将改进梯度学习算法应用于网络离线训练,并给出具体实现步骤。地面站数传资源配置优化实例验证了模型具有较高泛化能力,且算法稳定性较佳。     

基于岭回归径向基神经网络的MIMU误差建模

对MEMS（Micro Electro Mechanical systems微电子机械系统）IMU（Inertial Measurement Unit惯性测量单元）的随机漂移和误差进行建模和补偿是提高捷联惯导系统性能的主要方法之一。为了避免径向基（RBF）神经网络输出之间可能存在的复共线性,更加准确有效的对MIMU的输出误差建模,提出将岭回归径向基神经网络用于MIMU的误差建模中。通过与时间序列建模方法的仿真比较表明,在对MIMU误差补偿上所建立的岭回归RBF网络与四阶AR模型方法精度相当,比一阶AR模型精度高,而且无需对数据平稳性处理。

Abstract：

It is one of the main methods to improve the performance of Strap-down Inertial Navigation System for compensating the random drift and bias of MEMS （Micro Electro Mechanical systems） IMU （Inertial Measurement Unit）. In order to eliminate latent multicollinearity of radial basis function neuron network output layer and model the drift and bias of MIMU accurately,the radial basis function neuron network based on ridge regression method was proposed which was applied in modeling and compensating MIMU errors. The simulation shows,compared to the AR model,the precision of compensation of MIMU error using radial basis function neuron network based on ridge regression method is equal to the fourth order AR model,better than first order AR model,and no data stabilization processing.