高频感应等离子体流动模型与微型电推进器流场特性分析

微型射频离子推力器具有结构简单、 工作寿命长、 推力动态范围大、 性能调节响应灵敏等特点,是国际微电推进领域的研究热点之一.射频离子推力器电离室内的感性耦合放电等离子体特性和推力器的性能密切相关.为此,文章建立了低气压、小尺寸微型射频离子推力器电离室内感性耦合等离子体流体模型,开展了电磁场、流场、化学反应浓度场的多物理...     

晶格畸变检测仪研究碳化硅晶片中位错缺陷分布

利用晶格畸变检测仪研究了SiC晶片位错分布情况,通过对熔融KOH腐蚀后的SiC晶片进行全片或局部扫描,从而得到完整SiC晶片或局部区域的位错分布.与LEXT OLS40003D激光共聚焦显微镜扫描腐蚀图进行比较,晶格畸变检测仪扫描腐蚀图可以将晶片上位错腐蚀坑信息完全呈现出来,且根据腐蚀坑呈现的颜色及尺寸大小,可以分辨出...     

采用人工免疫算法的加速寿命试验分析方法

极大似然估计是加速寿命试验统计分析中常用的分析方法,但似然函数的优化问题是该方法广泛运用的主要障碍,常用的似然函数优化算法对初值要求高,而且容易陷入局部最优解.为了有效地解决上述问题,在似然函数的优化中引入了人工免疫算法,提出了一种采用人工免疫算法的步降应力加速寿命试验分析方法.利用人工免疫算法在解决多维复杂函数优化问题时强大的全局寻优能力,有效地解决了似然函数的优化问题.最后通过实例验证表明,采用人工免疫算法的步降应力加速寿命试验分析方法是有效的,而且在统计分析中避免了查统计用表,能够很方便的实现计算机编程计算,有较大的工程应用价值.     

RBF网络用于性能退化的可靠性评估

针对无法用数学式准确描述退化量与环境因子间复杂非线性关系的问题,提出了一种基于RBF网络的退化轨迹建模方法.利用RBF网络能够逼近任意非线性函数的特性,进行退化轨迹的建模,并结合失效值预测产品寿命.将所有估计寿命作为完全失效数据进行可靠性评估,有效地解决了失效数据少的问题.通过对疲劳裂纹增长数据的RBF网络建模分析,证明RBF网络具有很好的函数逼近能力,寿命预测结果非常理想.经验证,在更少的退化数据下,RBF网络仍能够较好地模拟退化轨迹,寿命预测精度较高.     

模糊逻辑推理系统在目标毁伤分析中的应用

目标毁伤分析是C3I系统的一个重要组成部分,在作战指挥决策中是决定是否对目标实施第二次打击的主要判据.定义了目标毁伤的量化等级,讨论了目标毁伤评判特征参量的选取规则和目标毁伤函数的建立规则,建立了目标易损性计算模型以及简化的毁伤树,进而得到目标毁伤程度,为作战提供有效的指挥决策信息.     

基于虚拟设备驱动程序的转台实时控制系统

在对Win9x平台工作特点分析的基础上,研究了在Win9x平台下进行实时控制编程的关键技术—外部定时时钟编程、虚拟设备驱动程序VxD中断编程及VxD与应用程序的通信机制;基于此,利用VxD技术和VC 联合编程实现Win9x环境下的实时随动控制系统。长时间连续运行结果表明,系统工作稳定可靠。实践证明:把虚拟设备驱动程序技术应用于转台实时控制是可行的,且具有开发方便、事务处理能力强等优点。此研制方法对同类设备具有一定的借鉴意义。     

嵌入式大气数据传感技术的发展现状

嵌入式大气数据传感系统是一种先进的大气数据系统。该系统集成度高,完全可安装于雷达天线罩内,并且能够实时提供现代飞行控制所需的全部大气参数如动压、静压、迎角、侧滑角、马赫数等。在介绍了嵌入式大气数据传感系统原理及技术发展的基础上,总结了当前开展的各项研究工作的热点并对嵌入式大气数据传感未来发展趋势进行了展望。     

一种新的红外图像自适应增强算法

针对红外热图像普遍存在的目标与背景对比度差、边缘模糊等特点,提出了一种新的红外图像自适应增强算法.通过自适应地选择平台阈值,对红外图像进行平台直方图均衡化,有效抑制了背景的过度增强,避免目标灰度级的过多合并,提升了目标的灰度空间,获得了很好的增强效果.实验结果表明,本算法优于直方图均衡化算法,可有效地突出红外目标.     

通用网络辅助教学支撑平台的研制

开展网络辅助教学,需要建设一个功能强大使用方便的支撑平台.本文摈弃了一般的教学网站思维,把各个专业的各门课程集中在一个系统中,大大降低了网络辅助教学的门槛和维护难度,使教师从课程网站的建设与维护的琐事中解脱出来,专心于课程本身内容的研究和更新,学生可在一个系统中完成所有课程的学习,缩短了课程转换时网络浏览所需的时间.     

The Classification of Rice Blast Resistant Seed Based on Ranman Spectroscopy and SVM

Rice blast is a serious threat to rice yield. Breeding disease-resistant varieties is one of the most economical and effective ways to prevent damage from rice blast. The traditional identification of resistant rice seeds has some shortcoming, such as long possession time, high cost and complex operation. The purpose of this study was to develop an optimal prediction model for determining resistant rice seeds using Ranman spectroscopy. First, the support vector machine (SVM), BP neural network (BP) and probabilistic neural network (PNN) models were initially established on the original spectral data. Second, due to the recognition accuracy of the Raw-SVM model, the running time was fast. The support vector machine model was selected for optimization, and four improved support vector machine models (ABC-SVM (artificial bee colony algorithm, ABC), IABC-SVM (improving the artificial bee colony algorithm, IABC), GSA-SVM (gravity search algorithm, GSA) and GWO-SVM (gray wolf algorithm, GWO)) were used to identify resistant rice seeds. The difference in modeling accuracy and running time between the improved support vector machine model established in feature wavelengths and full wavelengths (200–3202 cm⁻¹) was compared. Finally, five spectral preproccessing algorithms, Savitzky–Golay 1-Der (SGD), Savitzky–Golay Smoothing (SGS), baseline (Base), multivariate scatter correction (MSC) and standard normal variable (SNV), were used to preprocess the original spectra. The random forest algorithm (RF) was used to extract the characteristic wavelengths. After different spectral preproccessing algorithms and the RF feature extraction, the improved support vector machine models were established. The results show that the recognition accuracy of the optimal IABC-SVM model based on the original data was 71%. Among the five spectral preproccessing algorithms, the SNV algorithm’s accuracy was the best. The accuracy of the test set in the IABC-SVM model was 100%, and the running time was 13 s. After SNV algorithms and the RF feature extraction, the classification accuracy of the IABC-SVM model did not decrease, and the running time was shortened to 9 s. This demonstrates the feasibility and effectiveness of IABC in SVM parameter optimization, with higher prediction accuracy and better stability. Therefore, the improved support vector machine model based on Ranman spectroscopy can be applied to the fast and non-destructive identification of resistant rice seeds.