界面对金属基复合材料轴向弹塑性拉伸性能的影响及局部应力场的分析

本文建立在广义自洽有限元迭代平均化方法的基础上，计算了存在弹性界面相的ＳｉＣ晶须增强铝基复合材料的轴向弹塑性拉伸性能。研究了界面厚度以及界面在不同纤维长径比和体分比情况下对复合材料轴向拉伸性能的影响。本文同时分析了界面材料性质的分布形式对复合材料的拉伸性能及局部应力场的影响     

二甲基—γ—全氟辛酰氧丙基硅烷自组装膜的制备及其摩擦学性能研究

利用分子自组装技术 ,用含有全氟烷基的氯硅烷作为前驱体 ,在活化玻璃表面制备了二甲基 -γ-全氟辛酰氧丙基硅烷单分子膜 ;用 X射线光电子能谱仪对组装膜表面的几种特征元素及其化学环境进行了表征 ;采用接触角测定仪测定了蒸馏水在自组装薄膜表面的接触角 ,在动静摩擦磨损试验机上评价了薄膜同 GCr1 5钢球对摩时的摩擦磨损性能 .结果表明 :所制备的自组装膜的表面自由能很低 ,具有很好的疏水 -疏油性 ,其对水的接触角高达 1 1 0°;二甲基 -γ-全氟辛酰氧丙基硅烷组装膜可以降低基片的摩擦系数 ,而且在较低负荷下具有很好的耐磨性     

自抗扰控制技术在捷联惯导动基座初始对准中的应用研究

提出并设计了应用自抗扰控制技术(ADRC)的捷联惯性系统动基座初始对准方案。通过数字仿真，将卡尔曼滤波与自抗扰控制的性能进行了详细的比较，证明该方法具有对准时间快，精度高，抗干扰能力强等特点。     

机械系统摩擦动力学研究进展

摩擦环节对机械系统动力学行为有重要、甚至可能是关键的影响. 深入研究摩擦及摩擦动力学特点,对于解决机械系统中摩擦带来的不利影响, 发挥其有利作用, 是非常重要的. 本文介绍和评述了机械系统摩擦动力学的研究进展, 包括常用的摩擦模型及其特性, 摩擦系统自激振动、强迫振动和摩擦振动控制等. 除理论研究方法之外, 重点讨论了制动噪声振动、摩擦耗能和多领域摩擦振动控制等摩擦动力学的应用研究.     

镍钛记忆合金自补偿磨粒磨损性能研究

研究了高临界温度镍钛记忆合金一维自补偿磨粒磨损特性.结果表明,在一定温度下,镍钛记忆合金在摩擦过程中具有形状恢复能力,从而产生一维磨损自补偿作用.超弹状态镍钛记忆合金具有热弹性马氏体相变、高阻尼、应力感生马氏体、超弹性、高应变硬化指数和时效弥散析出强化等特性,这使得硬度较低的镍钛合金的耐磨性能远优于硬度较高的淬火45#钢.利用超弹状态镍钛记忆合金的磨损自补偿作用可望开发出新型抗磨形状记忆合金产品.     

电化学氧化增强金属钴卟啉的自组装研究

应用电化学方法将钴(Ⅱ)卟啉氧化成钴(Ⅲ)卟啉以增强它与4-巯基吡啶(MP)自组装膜的轴向配位作用,从而快速制备了有序钴卟啉自组装修饰电极CoTMPP/MP/Au(E).电化学石英晶体微天平(EQCM)测试证实电化学氧化对钴卟啉膜生长过程的增强作用.Ram an光谱及修饰电极电催化还原氧研究显示,该修饰电极与经过长时间浸渍法得到的CoTMPP/MP/Au(I)修饰电极具有完全相似的有序结构和性质.与直接将钴卟啉吸附在电极表面的CoTMPP/Au修饰电极相比,以巯基吡啶为桥键得到的钴卟啉修饰电极具有更好的电催化活性和稳定性.     

Dense-1D-U-Net:用于自参考光谱干涉飞秒脉冲相位测量

超快激光脉冲形状宽度测量的核心是光谱相位的精确测量。本文提出了一种结合深度学习的自参考光谱干涉(SRSI)方法,并用该方法进行了飞秒脉冲相位的测量。该方法基于针对一维信号的Dense-1D-U-Net神经网络,采用经典的编码-解码网络结构并加入稠密连接和跳跃连接来提高网络的性能。结合SRSI法的特点,本文设计出结合了稠密连接块的Dense-1D-U-Net神经网络。基于大量接近真实光谱相位的模拟光谱相位数据可以发现,基于Dense-1D-U-Net的SRSI算法的计算结果的均方根误差相比传统SRSI算法至少降低一个数量级。与有无稠密连接、跳跃连接的对照组神经网络进行对比,分析了Dense-1D-U-Net的优势。最后用实验测量数据验证了使用模拟数据训练的Dense-1D-U-Net具有计算实验数据的能力。Dense-1D-U-Net神经网络未来可以拓展应用到超快光谱等其他一维信息研究领域。     

面向大规模网络测量的数据恢复算法：基于关联学习的张量填充

网络应用,如网络状态跟踪、服务等级协议保障和网络故障定位等,依赖于完整准确的吞吐量测量数据.由于测量代价大,网络监控系统通常难以获得全网吞吐量测量数据.稀疏网络测量技术基于采样的方式降低测量代价,通过张量填充等算法挖掘数据内部的时空相关性,从部分网络测量数据恢复缺失数据.然而,现有研究仅考虑了单个性能指标,忽略了多个指标之间的关联信息,导致恢复精度受限且整体测量代价依然很大.本文提出了一个面向大规模网络测量的数据恢复算法——基于关联学习的张量填充（Association Learning based Tensor Completion,ALTC）.为了捕获网络性能指标之间的复杂关系,设计了一个关联学习模型,使用低测量开销的往返时延推测高测量开销的吞吐量,降低网络测量代价.在此基础上设计了一个张量填充模型,同时学习吞吐量测量数据内部的时空相关性和来自往返时延的外部辅助关联信息,最终以更高的恢复精度获取全网吞吐量数据.实验表明,在相同的吞吐量测量代价下,本文所提算法的恢复误差比目前主流方法的恢复误差降低了13%,达到了更好的恢复效果.     

基于深度强化学习的可见光定位通信一体化功率分配研究

为了实现定位通信一体化功率分配,提出了一种基于深度强化学习的可见光定位通信（VLPC）一体化系统的功率分配方案。首先,提出了定位通信一体化帧结构设计;其次,利用定位信息实现了信道状态信息的估计,并推导了定位误差的克拉美罗下界（CRLB）;再次,阐明了定位精度和通信速率的内在耦合关系;最后,提出了基于深度确定性策略梯度的VLPC动态功率分配方案。仿真结果表明,所提方案可同时实现高精度定位和高速通信。     

基于深度学习的智能垃圾分类系统设计

为了推进我国的环境保护,我国正大力推广垃圾分类。由于垃圾品类复杂繁多,且分类垃圾桶设计简单,大部分仅为贴有分类标签的普通垃圾桶,需要人为识别垃圾种类,因此造成垃圾分类工作效率偏低。本文提出了基于深度学习算法,将图像识别、迁移学习和嵌入式开发应用到垃圾分类当中,设计了一种智能分类垃圾桶,实现了垃圾识别、自动分拣的功能。符合当下社会环境保护和发展的形势,同时为智能制造市场填补上重要的一环,具有较强的创造性意义。