硅和锗纳米线的原子排布和电荷分布的密度泛函紧束缚方法研究

低维硅锗材料是制备纳米电子器件的重要候选材料，是研发高效率、低能耗和超高速新一代纳米电子器件的基础材料之一，有着潜在的应用价值。采用密度泛函紧束缚方法分别对厚度相同、宽度在0.272 nm~0.554 nm之间的硅纳米线和宽度在0.283 nm~0.567 nm之间的锗纳米线的原子排布和电荷分布进行了计算研究。硅、锗纳米线宽度的改变使原子排布，纳米线的原子间键长和键角发生明显改变。纳米线表层结构的改变对各层内的电荷分布产生重要影响。纳米线中各原子的电荷转移量与该原子在表层内的位置相关。纳米线的尺寸和表层内原子排列结构对体系的稳定性产生重要影响。     

全局优化问题的一个新的无参数填充函数

求全局最优化问题的填充函数算法被提出以来，参数的选取和调整一直是制约算法有效性的因素。如何在实际的计算过程中选取合适的参数，直接影响和决定了运算速度和效率。因此，构造不含参数的填充函数就显得极为重要。提出一个新的无参数的填充函数，对其理论性质进行了分析，并给出相应的填充函数算法，数值计算验证了算法的有效性。     

钛基纤维炸药水下爆炸性能的初步分析

通过爆炸压力时程曲线分析含钛纤维炸药的压力峰值、水下比冲击波能、比气泡能、质量能量及能量密度变化趋势，通过对所得能量结果分析钛纤维炸药的化学反应过程。结果表明:含钛纤维炸药的压力峰值、比冲击波能随钛纤维含量的提高而降低，比气泡能随钛纤维含量的提高而增大，质量能量及能量密度都随钛纤维含量的提高而增大。随距离的增大，钛纤维炸药压力峰值衰减比RDX的慢，而不同钛纤维含量的钛纤维炸药的比冲击波能、比气泡能在不同距离处随钛纤维含量变化趋势基本一致。根据炸药反应释放的总比能量进行理论分析，得出钛纤维炸药爆炸反应方程式。     

三点起爆控制参数对尾翼爆炸成型弹丸成型的影响

针对三点起爆控制参数（起爆直径、起爆同步误差）对尾翼爆炸成型弹丸（explosively formed projectile，EFP）成型的影响问题，理论分析了三点起爆条件下爆轰波的马赫碰撞，计算获得了不同起爆直径下马赫波的相关参数，利用LS-DYNA有限元软件通过数值模拟研究了不同起爆直径下三点起爆同步误差对EFP尾翼成型及飞行速度的影响规律。结果表明，起爆直径越大，马赫波在药型罩上的作用面积越小，马赫超压越大，形成的EFP长径比和速度越大；起爆直径为30、40、50 mm三点起爆成型装药形成较佳尾翼EFP应满足的最大起爆同步误差分别为50、100、150 ns；此外，尽量使中间起爆点起爆同步误差约为最大同步误差的一半，有利于降低尾翼EFP的侧向分速度，提高飞行稳定性。     

侧向点爆炸作用下地下拱结构的动力响应

首先，利用几何关系与介质中超压、位移衰减公式得出结构表面自由场荷载和位移的分布形式，并对衰减因数、爆距等参数进行讨论；其次，利用MSSI（modified soil-structure interaction）相互作用模型对拱的振动方程进行正交求解，得到任意角度荷载作用下的结构弹性动力响应解析解。基于动力响应解析解，得到了土体的声阻抗对结构位移、速度、加速度时程响应曲线的影响。研究结果表明:侧向爆炸荷载作用下，岩土介质声阻抗越大，埋设其中的地下结构的位移、速度和加速度变化越大。为此，建议地下防护结构应修建在声阻抗小的岩土介质中。     

爆炸荷载下沉箱重力式码头模型毁伤效应

在野外条件下开展了不同爆炸荷载条件下沉箱重力式码头模型毁伤效应实验，得到了沉箱重力式码头模型在1 kg TNT当量空中爆炸、水下爆炸以及结构内部爆炸后的毁伤模式，并针对不同毁伤模式给出了相应的抢修建议。实验结果表明:空中爆炸荷载下码头仅面板局部破坏形成爆坑；水下爆炸荷载下码头迎爆面及相近区域形成大量裂缝；结构内部爆炸荷载下码头仓格大变形破坏且中间面板被掀飞；从横向对比来看，在相同爆炸当量下空中爆炸荷载下码头毁伤程度最小，结构内部爆炸荷载下码头毁伤程度最大。     

盲重构频域阵列信号的压缩感知水声目标方位估计

针对复杂海洋环境条件下压缩感知水声目标方位估计性能下降的问题,利用盲源分离能够提高信噪比的优势,提出了一种盲重构频域阵列信号的压缩感知水声目标方位估计方法。首先将阵元域信号通过傅里叶变换方法得到多个子带阵列信号;然后对各个子带阵列信号进行复数域盲源分离得到子带解混矩阵和子带分离信号估计,并对子带分离信号进行属性分析和处理;再根据处理后的子带分离信号和子带解混矩阵重构子带阵列信号,对重构的子带阵列信号采用频域压缩感知方法进行空间谱估计,得到各个子带的空间谱;最后将各子带得到的空间谱进行求和,搜索求和后空间谱的峰值则可实现目标方位估计。模拟器数据和海上实测数据验证结果表明,同等条件下该方法的目标检测能力优于经典的最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)方法、频域压缩感知(Compressed Sensing,CS)方法、盲源分离(Blind Source Separation,BSS)与MVDR相结合的方法(BSS+MVDR方法),测向精度更高,明显提高了弱目标信号的空间谱能量,增强了声呐检测弱目标的能力。      

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。     

无人机视角下的林木爆燃火特性研究

森林火灾“爆燃”现象的特征是突然发生的高强度、高蔓延速度的燃烧。目前为止，关于“爆燃火”的原因还没有达成共识。以无人机视角下对林木爆燃火特性研究，以四川木里特大森林火灾为研究对象，通过分析凉山州某森林扑火部队3月31日木里森林火灾当天KWT（科卫泰）无人机航拍火场画面，结合无人机实时影像及实地调研数据，分析了峡谷地形林火蔓延时空特征，探讨了峡谷中风向风速变化时空分布规律，研究了地形变化条件下，不同海拔高度风速特征，建立了无人机倾角测量风速模型（其中为风速m·s-1，为无人机倾角°）。结果表明，高山峻岭特殊地形环境下每天4:00—12:00时间段为静风期，为峡谷林火扑救最佳时期；午后15:00—17:00和晚上20:00—22:00为山谷地形风速活跃期；仿真软件数据显示山顶、谷底与山腰不同海拔位置的风速风向不统一，谷底会产生乱流现象，且风速与海拔不存在正相关关系，小气候在复杂地形中占主导影响地位；在谷口至山谷深处的中间位置会出现气流速度的波峰状态，并易形成乱流，为爆燃火发生提供了客观必要条件。该研究可为复杂地形环境下，森林草原火灾扑救安全提供数据和技术支撑。