多相脉冲压缩编码波形产生及压缩处理技术

由线性调频信号导出的P3、P4多相码是一类常见的脉冲压缩信号 ,这类信号具有一些有用的特性。主要研究了P3、P4多相码信号的数字波形产生及压缩处理方法 ,提出了两种基于直接数字合成 (directdigitalsynthe sis ,DDS)技术的多相码波形产生方法。分析讨论了几种降低输出旁瓣电平的压缩处理技术 ,即经典的窗函数幅度加权技术、最小二乘幅度和相位加权技术和压缩后两采样滑窗处理技术。给出了一些计算机仿真结果 ,表明了这几种压缩处理技术的有效性。     

浅谈排队论在通信网中的简单运用

根据排队论的单窗口排队模型,讨论在简单的电话局之间的业务状态,对于复杂的情形,通过软件仿真的办法来分析业务的状态.     

纳米秒脉冲波“摘”除细胞

美国科学家正在研究一种技术，可以让医生在不接触病人身体的情况下去除人体细胞。这一技术现正处于初期研究阶段，研究人员还没有完全清楚其对细胞的作用机理。不过，目前的试验表明，这一技术将有可能用于治疗癌症，也可能有助于加速治愈过程，甚至可以用来清除肥胖细胞。     

小型泵站无人值守PLC自动控制系统

针对中、小型泵站自动控制系统运行的一般特点,提出了采用PLC为控制核心的控制方案.该方案成本低,管理、维护和操作简单易行,便于在广大农村中、小型泵站中推广应用.并以实例形式介绍了可编程序控制器(PLC)小型自控系统的组成.     

一种非常规的线性调制解调方法

根据对常规调制解调信号频谱的分析,提出了一种基于采样和数字滤波的方法,这种方法不仅能很大地降低信号的失真,而且便于DSP计算和计算机处理.     

真蓝甲藻(Gymnodinium eucyanochroum Tseng Sp.nov.)的亚微结构、色素性质及其在藻类进化中的意义

本文报告了在南京发现的蓝色裸甲藻,测定了它的藻胆色素。证明蓝色藻胆蛋白不是山“胞内蓝藻”(Cyanellen)所提供。电子显微镜的扫描表明细胞表面有众多的突起,不是光滑的;横沟内的鞭毛不是“带状”而是由细纤维丝膜状物拉着的螺旋形。透视电子显微镜观察表明,该藻有两个类型的细胞核,即“甲藻核结构”(Dinocaryotic structure)和“真核结构”,(Eucaryotic Structure),真核与叶绿体有一个共同的膜的包被,有一个与原生动物相近似的伸缩泡系统。叶绿体是分枝状,在细胞的边缘位,但也有其它形态。有淀粉颗粒而无“造粉核”或称”“蛋白核”(Pyrenoid),多数位于叶绿体外或之间,类囊体与一般甲藻不同,不是三个排成一条“带”而是两个排列成“带”。有发达的线粒体,和高尔基体;鞭毛不论纵沟内的或横沟内的,其横切面,均为9+2的形式,其纵切面是由纤维丝成束的结构。蓝色色素提取物,可见光最大吸收峰为456nm,与隐藻藻胆色素十分相似。从细胞亚微结构及其色素性质,作者认为它是藻类演化过程中的一个中间类型的甲藻共生体。     

基于强化学习的电磁悬浮型磁浮列车悬浮控制

为了保证磁浮列车的安全、可靠运行,研究了悬浮系统在参数摄动条件下的悬浮控制问题。首先,对电磁悬浮（EMS）型磁浮列车的基本悬浮单元建模,给出了电流控制模型;然后,建立了悬浮系统的强化学习环境以及软演员-评论家（SAC）智能体,并设计了加速训练的奖励函数与“吸死”处理方案;最后,提出了基于强化学习的悬浮控制方法。与传统比例-积分-微分（PID）控制方法的对比结果表明,本方法具有更快的动态响应,在损失50%线圈匝数或磁极面积变化时具有更好的跟踪精度。     

用于物联网的可重构的祖冲之密码算法的硬件设计

针对应用在资源有限的物联网中的祖冲之(ZUC)256密码算法,本文介绍了一种资源优化的ZUC-256密码算法的硬件实现方案,设计了面向资源优化的循环型ZUC-256密码算法的硬件架构和基于块随机存取存储器(BRAM)的可重构S盒(S-box)单元,从而有效地降低了资源消耗。硬件方案在现场可编程逻辑门阵列(FPGA)上进行了硬件验证,结果表明本文资源优化的循环架构中的各个硬件开销相比已有的方案有明显的降低。     

基于生成对抗网络的砂岩薄片图像视野外重建

利用生成对抗网络(GAN)模型,对砂岩薄片图像的微观颗粒和孔隙结构进行视野外重建,并对预测图像的语义进行评价。结果表明,模型能够预测2.25倍于原始视野的砂岩微观结构,并且针对不同类型的岩石图像语义均具有良好的性能。模型对不同颗粒的表面纹理、颗粒形态以及多颗粒间复杂接触关系等语义的图像视野外预测结果与真实图像较为吻合。但是,在微观特殊现象图像的视野外重建任务中,模型缺乏对特殊现象的敏感性。在孔隙结构重建时,模型对微孔面孔率的预测误差大于粒间孔、裂隙和溶蚀孔等孔隙空间。不同孔隙空间重建图像的预测效果可能与孔隙特征(如孔径大小和连通性)有关。     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。