用冰点作检定温度计的固定点的研究

介绍了利用标准铂电阻温度计在水三相点和冰点进行长期测量的结果，并将其数据进行分析比较。测量结果表明：两种方法测得的Ｒ＿０值之差平均不到１ｍＫ，与国外文献中的数据基本相符。因此，对于检定多数铂电阻温度计和一、二等水银温度计以及热电偶等，用冰点已足够。     

TE_(111)模式微波腔的研究

上海天文台已经设计了一种尺寸小、重量轻的TE_111模式微波腔体。对腔体的特性及振荡因子进行了讨论,结果表明。     

回转误差测试中系统噪声分离技术

高精度主轴的回转误差和测试系统的噪声常处于同一水平，这极大地影响了用频域三点法测量主轴回转误差的准确性。针对同步误差（SEM），提出了对含噪声信号进行等角度采样重构、集合平均和小波滤波的组合降噪处理方法，提出了根据传感器和被测主轴直径定量确定小波分解层数的方法，经仿真实验证明其具有良好的去噪效果。针对异步误差（ASEM），提出了消除测试系统噪声的方法，研究了圈数对异步误差测试结果的影响规律。此外，搭建了测试系统，验证了所提方法的有效性。      

^(137)Cs,^(60)Co大面积航空平面源的制备技术CSCD

用于校准航空γ谱仪的137Cs,60Co大面积航空平面源对传统的涂刷制源技术提出了挑战,为确保平面上的均匀性,借鉴现代网格点阵喷涂技术,将137Cs,60Co两种放射性标准溶液分别定量滴注在底衬滤纸上,晾干后热塑封并用环氧树脂将塑封片固定在梯形铝板上,由8块梯形铝板拼接为边长1m的正六边形航空平面源。制备的航空平面源的扩展不确定度(k=2)为4%,不均匀性优于10%。     

改进小波阈值去噪法在管道泄漏检测中的应用CSCD

基于负压波式的管道泄漏检测方法中,需要解决的核心问题之一是对负压波信号的去噪。在分析了利用小波变换理论与小波阈值去噪的基础上,对传统的硬阈值和软阈值函数、双曲型和指数型函数与改进的阈值函数算法进行了对比。实验表明,改进算法在处理管道泄漏检测中,对检测的负压波信号能够获得较大的信噪比,具有较好的去噪能力,能有效提高泄漏检测精度。     

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。     

基于可变滑动窗口与3σ准则的脉冲星信号去噪算法

针对地面接收射电观测脉冲星信号较弱、信噪比较低的问题,提出了基于可变滑动窗口与两层3σ准则的信号去噪算法。该算法引入可变滑动窗口,对信号进行分步连续处理,同时在筛选噪声时使用两层3σ准则算法,解决了噪声遗漏及过度去噪问题。为证明算法可靠性与实用性,利用佳木斯66 m观测站实测数据进行算法验证,针对J1939+2134与J1744—1134脉冲星的实测数据进行分析处理。结果表明,该算法能够对脉冲星数据进行有效去噪,普遍提高信噪比约10dB。     

基于小波变换和支持向量机的开关电流电路故障诊断新方法

针对开关电流(Switched current,SI)电路的故障诊断和定位问题，为进一步提高故障诊断准 确率，提出了基于小波变换和粒子群优化(Particle swarm optimization，PSO)支持向量机 (Support vector machine，SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流 信号进行蒙特卡罗分析，然后通过小波分解计算分形维数，再利用核主元分析（Kernel pri ncipal component analysis，KPCA）降低特征值维数，实现最优故障特征的提取。最后通 过PSO SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证， 获取了较高的故障诊断准确率，与其他方法进行比较，实验结果显示了本文方法的优越性。     

基于经验模分解的PPP时间比对数据消噪方法

精密单点定位(PPP)时间比对数据会受到观测噪声的影响，因此对时间比对数据进行消噪是一项重要工作。提出一种基于经验模分解(EMD)的PPP时间比对数据消噪方法，并将该方法与Vondrak滤波方法的消噪效果进行对比。结果表明，两种方法的消噪效果相当，均能有效滤除PPP时间比对数据中的随机噪声，明显改善时间比对的稳定度。     

基于冲击特征提取的旋转机械智能故障诊断

针对齿轮、轴承故障，提出了基于冲击特征提取胶囊网络的旋转机械智能故障诊断模型。在胶囊网络的构架基础上，将原始故障振动信号作为输入，通过构造首层小波核卷积层，针对性提取冲击故障特征，提高深度学习网络特征提取的可解释性。在小波核卷积层之后扩展一层卷积层，强化首层小波核卷积层提取的特征，将强化的特征经初级胶囊层、数字胶囊层输出分类结果，从而构造了“端到端”的小波卷积胶囊网络模型。通过对各层提取的特征可视化分析，证明了该模型对故障振动信号的冲击特征具有良好的提取能力。3个不同实验平台的数据集验证结果表明不同故障类型、不同故障程度的齿轮及轴承的识别精度最高可达到100%，并具有良好的泛化能力。