六端口微波测量技术

六端口技术是从70年代初发展起来的一项新的微波自动测量技术。经过十多年来各国科技工作者的研究、实践,无论在理论上,还是在系统构成、误差分析等方面均趋于成熟。该技术目前已广泛应用于微波计量、安全防护和工业在线检测诸部门。由六端口网络组成的自动网络分析仪,可望成为技术性能高的自动测试系统。本文分四个部分,系统地介绍了六端口技术的发展及其在微波测量中的应用;几种常用六端口结的组成及其设计准则;六端口自动网络分析仪的校准及其测量方法,以及如何评定六端口网络分析仪不确定度等问题,供从事微波计量测试及有关人员参考。     

拉形条件对镜面蒙皮成形质量的影响

在充分考虑滑移带出现与成形件贴模度的基础上,通过分析拉形速度、毛料几何尺寸、模具几何参数、润滑方式对成形质量的影响,确定了合理的飞机镜面蒙皮拉形条件.结果表明,改善板料变形的均匀性,延缓滑移带出现,增加成形面内材料的变形程度,是制定最优工艺参数、提高成形质量的主要措施.     

行星际空间MHD模拟激波跃变关系分析

分析了模拟得到的可以传播到1AU以远的日地空间磁流体力学激波与Rankine-Hugnoniot跃变关系的符合程度．通过对模拟激波的结构及其在传播过程中的演化进行的分析，提出了模拟激波的定位方法；基于所提出的定位方法，利用向长青提出的确定MHD激波局地参数的方法计算了模拟得到的激波与Rankine-Hugnoniot跃变关系的偏差．结果表明在激波传播到100Rs以后，激波对中前向快激波与Rankine-Hugnoniot关系的符合达到很高的程度，相对误差在10^-2数量级以内；并且在激波传播到150 Rs以后，相对误差在10^-3数量级以内．这个结果说明文中所使用的有限差分数值格式能较好地模拟激波．     

重现性地磁活动的数值预报

重现性地磁扰动作为地磁活动的重要部分，其特性在磁情预报中起着不可缺少的重要作用．本文利用地磁扰动在一定条件下具有２７天重现的特性和现代时序分析法中的自适应滤波方法，对北京地磁台Ｋ指数的预报方法进行了研究，并分别在太阳黑子活动低年和高年的两个时间段，进行了预报实验：低年时段预报结果精度为０．６６；在高年时段，预报精度为０．７９．进一步分析还表明，理论计算方法应当与多方面的物理分析相结合，这样才能为磁扰的定量分析和预报提供更充分与合理的计算条件和物理根据．     

自适应DBF与空间谱估计

讨论了自适应数字波束形成(DBF)技术和超分辨空间谱估计技术,并提出了一种基于信号协方差矩阵特征分解的时-空二维信号高分辨谱估计算法。以上技术应用于相控阵雷达系统,可以精确获得多个运动目标的方位信息和多普勒信息。文章最后给出了计算机模拟结果。     

参量型空气折射率传感系统

本系统分别利用传感器测出空气的温度、气压和湿度三个参量,把测量值用一个通用于不同机型的接口电路连接到微机进行数据处理并计算出空气折射率值。文中叙述了传感器及其检测电路的设计原理,给出了检测和接口电路框图、计算公式和程序流程图。整个系统已通过联机调试和初步的对比试验。     

多传感器信息融合技术

多传感器信息融合是Ｃ＾３Ｉ系统和电子综合战系统中的关键技术，本文从信息融合分类出发，讨论了单传感器的信息融合决策理论和技术以及多传感器信息融合原理，提出了多传感器信息融合专家系统，着重讨论贝叶斯法用于二元检测的分布式多传感器信息融合的检测方式。     

飞机壁板结构的声疲劳计算及试验

 <正> 飞机结构所承受的噪声载荷声压级超过130dB时,经较长时间激励,往往在噪声诱导应力较大的区域里产生疲劳破坏。而在各种类型的结构件中声疲劳破坏的相对发生率以蒙皮壁板结构为最高。 本文采用矩形铝合金平板来模拟蒙皮壁板结构,对其进行了声疲劳寿命计算与试验研究.     

双向比对高精度物理时间同步方法

提出一种面向未来卫星在轨应用的闭环物理高精度时间同步方法。比较了所提方法与其他时间同步方法的区别与优势，建立了远程系统时间同步基本模型与误差传递模型，基于双向测距和时间传递技术分析了高精度钟差获取原理，给出了时钟调整环路的时域频域参数依赖关系。完成了高精度时间同步地面试验系统构建，测试了开环非调钟状态下钟差测量精度误差、闭环调钟状态下时间同步准确度误差以及长时运行情况下的时间同步监测结果。测试结果表明，该方法能够实现优于1 ns量级的时间同步，为高精度时间同步技术研究提供了新的途径。     

Low-latitude storm time ionospheric predictions using support vector machines

The electromagnetic drift plays an important role in low-latitude storm time ionospheric dynamics. In this study we attempt to utilize the electric field data into ionospheric predictions by using support vector machine (SVM), a promising algorithm for small-sample nonlinear regressions. Taking the disturbance electric field data as input, different SVMs have been trained for three seasonal bins at two stations near the north crest of the Equatorial Ionization Anomaly (EIA). Eighteen storm events are used to check out their predicting abilities. The results show fairly good agreement between the predictions and observations. Compared with STORM, a widely used empirical correlation model, the SVM method brings a relative improvement of 23% for these testing events. Based on this study we argue that the SVM method can improve the storm time ionospheric predictions.