宽带对数周期天线的优化设计

通过对ＬＰＤＡ的优化设计,研制一种适合方舱结构形式车辆运载的超宽带,高增益定向天线。在研制过程中较好地解决了ＬＰＤＡ设计中常遇到的反常共振问题,实现了天线阻抗与增益在宽频带内的均衡性,以及单边平衡架设。     

保温消声型高效过滤器送风口的研究

一、现状 一般乱流型洁净室,往往采用带扩散孔板高效过滤器送风口作为末端送风单元。就目前国内的主要生产厂家而言,这类送风口绝大多数是单层钢板结构。 这类结构的送风口,由于箱体系单层钢板结构,本身没有保温绝热层,因此作为一种完善的产品而言,显然是有缺陷的。在没有保温的情况下,其能耗率可由以下计算而得(以GB—01过滤器送风口为例): (一)箱体传热系数K_1     

槽孔导体板滤波器简易设计方法

槽孔导体板电磁波的散射涉及三个过程:首先是电磁波入射到槽孔导体板时发生的反射和透射;其次是透射波在槽孔波导中的传播;最后是来自各个槽孔的透射波的再辐射。基于上述过程,本文提出了一种槽孔导体板准光滤波器的简单设计方法。该方法快速,特别适用于毫米波亚毫米波频段。利用该方法设计了W波段准光圆孔导体板滤波器,实测结果说明了本文设计方法的有效性。     

少无废料激光板材切割技术

采用少无废料激光板材切割技术,可以大幅度地提高材料利用率,缩短切割时间,提高生产效率。激光切割路径优化算法和板材的无搭边排样技术是少无废料激光板材切割的关键技术问题。文章研究了少无废料激光切割路径优化原则,在此基础上,研究了少无废料激光切割编程技巧,并结合纺机板材的激光切割实践,进行了少无废料激光板材切割技术研究,结果表明,采用少无废料激光切割技术,材料利用率可10%~30%,切割长度可减少5%~10%。     

基于激光冲击波三维无损打标的数值模拟

为了研究激光冲击波打标后标记区域的残余应力分布与材料变形情况,基于ANSYS/LS-DYNA建立了激光冲击波打标的三维有限元模型,通过激光诱导的冲击波加载,进行了打标的数值模拟.模拟结果表明,激光冲击波作用后的标记区域网格形成了与载荷直径相仿的凹坑,其残余应力均表现为压应力,并随着形变量的逐渐增加,在标记中心残余压应力达到最大值;材料厚度方向的残余压应力随着材料厚度的增加而不断减小,在1mm～1.4mm深度范围内载荷的作用效果不明显.这一结果可用于指导激光冲击波三维无损打标残余应力场的理论分析及其实验研究.     

熔盐法制备Sr0.4Ba0.6Nb2O6粉体

采用熔盐法(MSS)合成了各向异性生长的棒状Sr0.4Ba0.6Nb2O6粉体。用XRD分析表明,熔盐法合成的是单相Sr0.4Ba0.6Nb2O6陶瓷粉体,没有其它杂相生成;用SEM分析合成粉体的形貌,结果表明,熔盐法合成的粉体呈棒状,且随着反应条件的不同,棒状粉体的长度在2～20μm。研究表明,影响粉体形状和尺寸的主要因素是合成温度以及原料和盐的比例。     

基于激光冲击波的三维无损防伪标识

探索基于激光冲击波力学效应的无损三维高防伪标识的基本理论，建立一种与激光热效应完全不同的激光冲击波标识新技术，提出将灰度图像的重建技术和二进制编码技术应用到三维标识的识别上，建立一种新型高效的零件标识的检测和识别理论，并对标识的高防伪性能进行了研究。     

基于大信号模型的L波段400W高效GaN功率放大器设计

文章阐述了用精确的GaN Angelov模型设计了一款L波段400W内匹配率放大器.选用SiC衬底的GaN器件是为了获得大功率输出以及高效率性能.为了精确设计放大器,采用脉冲I-V测试和多偏置的S参数测试建立起高压GaN大信号模型.采用模型设计的GaN放大器输入输出电路集成在17.4mm×24mm的封装管壳里.最终采用单枚55mm栅宽GaN管芯设计的放大器在48V漏压,100μs脉宽,10%占空比偏置下在1.2~1.4GHz输出功率大于400W,功率增益大于15dB,最高功率附加效率达到81.3%,这是国内L波段400W微波功率放大器的最高效率报道,验证了模型的准确度,实现了极好的电路性能.     

高端智能手机挂帅,无线充电今起大举商用

在众多行业领军企业的努力之下,无线充电的大胆构想已经开始落地。2013年无线充电会率先从高端智能手机发力,继而向广泛的生态系统蔓延。据IMS Research预计,截至2015年全球无线充电设备总出货量将超过1亿台,总价值超过250亿美元,年复合成长率更是高达惊人的25%。相信今年无线充电技术会首先在高端智能手机中开始普及,并在未来几年之内向中低端智能手机、平板电脑、数码相机、游戏机、血压计、血糖仪、智能玩具,     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题,研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了CNN与其他分类器的识别结果,用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。