α~5的正交归一本征态的某些非经典特性研究

本文计算了α~5的五个正交归一本征态的相位起伏和粒子数—相位不确定关系,并讨论了它们的特性和产生粒子数-相位不确定关系的条件,还研究了这五个本征态的N阶压缩。     

系统设计的正式方法和模型

微电子设计的规模和设计能力之间的鸿沟正在越变越大，需要工具和技术去填补这一鸿沟。另外，我们也需要更新颖的方法以使理论能变为实际。本书正是出于这个目的而编写的。全书总结了以往各种正式的结构分解、抽象和精练的方法，重点强调了系统的行为和结构特性。书中的内容是以一系列学术论文的形式呈现给读者。论文的作者都运用自己的正式方法以完成软硬件设计，提供开发方法和工具的优化，或形成理论公式。     

部分线性模型中估计的渐近正态性

考虑回归模型 y_i-x_iβ+g(t_i)+σ_ie_(is)i-1,2…,n, (1) 其中σ_i~2-f(u_i)>0,(x_i,t_i,u_i)是固定非随机设计点列,β是未知待估参数,g(·)和     

分解炉虚拟样机的开发

以水泥生产过程中的分解炉为对象，分析了分解炉内具体的物理化学过程，同时开发了反映分解炉工作过程(流体力学、燃烧学、分解动力学、颗粒动力学)的数学模型，借助数值模拟方法进行了分解炉虚拟样机的开发，为分解炉的设计与开发提供了试验平台。     

高频MOS－CV特性的界面态形变及其测量

讨论了工艺过程中产生的界面态陷阱电荷Ｑ（ｉｔ）对高频ＭＯＳ－ＣＶ特性线的形变规律，提出了一种沿电压方向形变的数据处理方法，以此算出Ｑ（ｉｔ）密度在禁带中的分布，并对常规高频ＣＶ法的测量误差作了讨论和修正，由于数据的采集和处理可以由微机完成，使这种方法变得简便、准确并易于在工艺线上推广使用。     

非欧姆氧化锌陶瓷的界面态和晶界势垒模型的探讨

本文对非欧姆氧化锌(ZnO)陶瓷的界面态进行了探讨,提出了控制非线性电导特性的界面态是由于晶界的深能级电子陷阱,且深能级电子陷阱的形成是由于存在氧缺位缺陷和金属离子正电中心的观点.本文在实验分析的基础上提出了一种新的晶界势垒模型,认为晶界势垒分为主晶界势垒和次晶界势垒,两种势垒的物理性质相同,但形成和蜕变的温度不同。     

“变截面管中跨声速气流”一文引理的证明

本文对T·P·Liu教授关于“变截面管中跨声速气流”一文的关键性引理给出一个清楚的证明,以使这篇有影响的开创性论文更加完美。     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。     

基于经验模态分解特征的无线电引信抗扫频式干扰方法

针对目前调频无线电引信在复杂电磁战场环境中对抗扫频式干扰能够力弱的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)特征的无线电调频引信对抗扫频干扰的方法.对基于目标和扫频干扰作用下的调频无线电引信检波端输出信号进行EMD分解,得到10层本征模态函数(intrinsic mode function,IMF)分量,提取每层IMF分量中本征模态函数能量占比、能量聚集度和Renyi熵特征,并利用主成分分析算法对于特征进行降维,保证累积解释差异在95%以上,以降维后的特征矩阵作为支持向量机的输入对目标和扫频式干扰信号进行分类识别.实测数据结果表明,所提方法能够有效对目标和扫频式干扰信号进行分类识别,分类识别精度可以达到98.06%±0.003 8,目标检测率达到96.65%±0.003 7,虚警率为3.35%±0.003 7.