复杂微通道内对流传热的场协同及熵产

利用场协同和熵产原理研究了针肋宽度、凹穴宽度及雷诺数(Re)对凹穴和针肋组合式微通道内对流传热特性的影响,分析了微结构强化传热的本质原因,并对微通道的综合性能进行了评价。结果表明,增大针肋和凹穴宽度能够显著减小传热协同角,提高流场和温度场的协同程度,有利于强化对流传热,但局部漩涡会使流动协同角减小,增大微通道压降;增大针肋宽度能够提高能量利用效率,从而强化传热,但同时导致流动熵产率增大;适当增大凹穴宽度能够减小传热熵产率,但凹穴宽度过大会导致传热不可逆性和流动摩擦均增大;综合考虑泵功、相对针肋宽度和相对凹穴宽度,提出了预测热阻的经验关联式;当相对针肋宽度为0.2,相对凹穴宽度为2时,微通道的热阻最小,综合性能最好。      

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法

调制识别是信号检测与解调的关键环节，针对卫星调制中采用的MAPSK，MQAM，MFSK，MPSK方式，提出了一种计算小波变换熵值并结合高阶累积量的联合调制识别算法.根据小波变换对时频信息敏感的特点，不同调制方式高阶累积量计算结果的区分性以及不同复杂度的调制信号熵值结果不同，分析了以上4类调制信号的计算结果，提出了基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法.计算调制信号小波系数，据此计算熵值，实现对调制信号的类别划分，使用高阶累积量实现类别内的信号分类.经过仿真分析，可实现在8dB以上达到0.9识别率的效果，该方法对高阶（64阶调制）信号识别具有一定借鉴意义.      

面向再制造设计方案的去主观混合多属性决策方法

面向再制造设计(Design for remanufacturing,DfRem)是将再制造特征考虑到产品设计过程,因设计者缺乏明确定义的再制造知识,面向再制造方案决策受设计者主观偏好、经验等主观因素的影响,导致不合理决策设计方案。为了客观地得到面向再制造最优设计方案,提出一种去主观的混合多属性决策方法克服设计过程主观因素的影响。首先,通过物元理论表征设计特征与需求信息,结合设计准则得到初步设计方案,接着建立考虑技术、经济和环境因素的评价指标体系,采用熵权法和模糊集通过多属性决策得到最优设计方案。最后,以面向再制造的电机拆解机设计为案例验证上述方法的可行性与实践性,结果表明上述方法对面向再制造设计的方案决策有效可行。     

基于最大条件熵的射频隐身数据链猝发通信模型

为提高数据链的低被截获性能,以数据链发射时刻的不确定性为对象,提出了一种基于最大条件熵的射频隐身数据链猝发通信模型。该模型以先验数据为训练样本空间,以拉格朗日乘子为优化粒子,将最大条件熵的对偶规划问题作为目标,利用混合混沌粒子群优化(HCPSO)算法进行优化计算,最终确定最大条件熵概率分布模型。与单阈值方法 (STM)和双阈值方法(DTM)的对比仿真结果表明:利用最大熵方法(MEM)自适应生成的发射规划,不仅具有最大的发射时刻条件熵,射频隐身性能最好,而且MEM的通信总时间、通信占空比也最大,对环境约束特征的适应性最好,因此,MEM具有最优的综合性能。     

一种基于降调频的宽带LFM信号DOA估计算法

传统的宽带LFM信号DOA估计算法,是直接对信号进行估计,为满足采样定理,需要很高的采样频率,数据量和运算量巨大。针对这一问题,提出一种基于降调频的宽带LFM信号DOA估计算法,采用基于改进谱形熵的自适应降调频技术,通过若干次降调频,将宽带LFM信号带宽降到接收机可以处理的范围内,再利用窄带LFM信号DOA估计算法估计...     

基于最小熵准则的频偏估计算法研究

提出了一种基于SEM(Spectrum Entropy Minimization,频谱熵最小化)的频偏估计算法。研究发现,频偏越小,离散信号频谱的熵越小。根据这一性质建立了相关算法,通过一维搜索的方式得到使相位补偿后信号频谱熵最小的频偏估计。仿真结果表明:SEM算法的估计性能能够达到CR(Cramer-Rao,克拉美罗)下界,而且估计的稳定性和鲁棒性较好,具有一定的应用价值。