电场驱动射流的弯曲失稳分析

本文对电场驱动射流弯曲问题的动力模型作了理论推导和数值分析.在假定射流具有牛顿粘性并作一维流动的基础上,建立了射流运动的控制方程,采用此方程来研究当带电流体穿过电场时受小扰动而产生的失稳现象.将方程无量纲化后,利用简正模态法对控制方程进行了稳定性分析,而后采用伽辽金法求解方程.结果表明,外电场增强、表面电荷量进一步增多(电荷量较大时)、射流轴向流速增大(其值较大时)、射流半径减小以及电荷的分布不均匀性增大,都可以显著增强射流的短波不稳定性;射流偶数阶频率导致了不稳定性,而且阶数越高,不稳定性增长得越快;频率具有虚部,意味着模态中相差的存在;并且射流在短时问内会失去稳定性.     

惯性导航系统重力扰动矢量补偿技术

在较高精度惯性导航系统中,重力扰动矢量的影响不可忽略。建立了考虑重力扰动矢量的惯导误差方程,对采用高精度惯性元件(陀螺仪零偏稳定性为0.001 deg/h,加速度计零偏稳定性为0.01 mg)的惯导进行误差仿真,对比分析无重力扰动矢量补偿(垂线偏差为5"～10",重力扰动矢量垂向分量为25～50 mGal)与有重力扰动矢量补偿(垂线偏差和重力扰动矢量垂向分量补偿精度分别为1.6"、2 mGal)两种条件下的惯导定位和姿态误差。仿真结果表明:经重力扰动矢量补偿后,24 h内惯导定位和航向误差分别减小2 nm和1′。     

一类非线性扰动发展方程的广义迭代解

利用广义变分迭代方法研究了一类非线性发展扰动方程.首先引入一个泛函.然后求其变分,最后构造方程解的迭代关系式.得到了问题的近似解和精确解析解. 关键词： 发展方程 扰动 变分迭代     

稳健声线扰动特征用于浅海小目标定位*

针对海洋环境中的信道起伏变化对基于扰动声线声压敏感核的水下小目标定位算法影响较大的问题,提出了基于稳健声线扰动特征的目标定位方法,该方法首先对海洋环境中接收声场的到达结构进行分析,提取稳态的到达成分;然后通过观测稳健声线对应的接收信号在目标穿越过程中的扰动特征提取扰动声线;最后应用扰动声线类定位方法得到水下目标的定位模糊图实现定位。在浅海港口环境中开展了蛙人穿越实验,发射信号为中心频率为22.5kHz,带宽为15kHz的线性调频信号,实验数据的处理结果表明,直达路径和一次水底反射路径受信道起伏的影响较小,通过筛选稳健声线可以将扰动声线的定位方法用于自然的海洋环境。     

激光束畸变波前高频相位的恢复效果分析

运用逐次逼近迭代法恢复近场畸变波前的高频相位,定量分析了高频相位恢复效果与滤波器截止频率之间的关系,并进一步讨论了近场和远场光强噪声扰动对恢复效果的影响。研究结果表明：随着滤波器截止频率的增大,即对近场波前相位探测器要求的提高,逐次逼近迭代法的高频相位恢复效果会越来越好。此外,高频相位恢复效果随近场或远场光强噪声扰动的增大而变差,其中,近场光强噪声扰动对恢复效果的影响相对较小,而远场光强噪声扰动对恢复效果的影响则明显得多。在实际工作中,为了获得较好的近场高频相位的恢复效果,不仅需要合理地对近场低频相位测量提出要求,而且还必须尽可能减小光强分布测量的误差,特别是尽量减小远场噪声光强的影响。     

Reissner-Nordstr?m de Sitte 黑洞的引力似正模

利用P?shl-Teller势近似方法,本文研究了径向和角向引力扰动引起的Reissner-Nordstr?m de Sitte 黑洞的似正模。研究表明,当宇宙常数增加时似正模虚部的强度变小,但它却随电荷、谐波数或轨道角动量增加而增加。当电荷固定而宇宙常数改变时,似正模的虚部与实部几乎成线性关系。研究还发现径向和角向引力扰动引起的似正模是一致的,这证实似正模只依赖于黑洞的参量而与初始扰动无关。     

一类广义Sine-Gordon扰动方程的解析解

利用同伦映射方法研究了一类广义Sine-Gordon方程. 首先引入一个同伦变换. 然后构造了原方程解的迭代关系式. 最后得到了问题的解析解. 关键词： 孤子 扰动 同伦映射     

扰动KdV方程孤子的同伦映射解

利用同伦映射方法研究了一类非线性KdV(Korteweg de Vries)方程. 首先引入一个同伦变换,使相应的方程求孤子解问题转化为映射变换问题.然后利用映射特性得到了原方程孤子的近似解. 关键词： 孤子 扰动 同伦映射     

对一类非线性扰动方程的分析

本文研究了一类非线性扰动方程，确定自治扰动方程双曲不动点的稳定和不稳定流形的相对位置，给出了存在唯一极限环的参数范围，并应用于电机工程和力学中一类非线性系统。     

MSPoint：基于多尺度分布分数的点云去噪网络

激光扫描仪等设备直接收集到的原始点云通常会受到噪声的影响,这会影响后续的处理,如三维重建、语义分割等,因此点云去噪算法尤为重要。现有的点云去噪网络大多以噪声点与干净点的距离作为目标函数进行迭代训练,这可能导致点云聚集与异常值。针对以上问题,提出一种基于多尺度点云分布分数（即点云对数概率函数的梯度）的新型去噪网络multiscale score point(MSPoint)。MSPoint网络主要由两部分组成：特征提取模块和位移预测模块。在特征提取模块中输入点云的邻域,通过对数据添加多尺度噪声扰动加强MSPoint的抗噪性能,使提取到的特征具有更强的表达能力。位移预测模块根据分数估计单元预测的分数迭代学习噪声点的位移。在公开数据集上的实验结果表明,相比现有的方法,MSPoint有着更好的去噪效果以及更强的鲁棒性。