排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
基于片状Al2O3陶瓷互锁结构强度高的特点,制备出夹杂石墨的高气孔率的Al2O3多孔陶瓷,并通过原位还原在多孔骨架中制备出Ni微粒,形成一种轻质的双损耗陶瓷基吸波材料。通过XRD、FE-SEM和EDS研究了还原温度对多孔吸波材料的组成、微观形貌、元素分布和吸波性能的影响。结果表明,还原温度升温至700 ℃可将多孔网络中Ni完全还原,形成以堆叠互锁Al2O3为基,夹杂片状石墨和孔表面覆盖Ni微粒的双损耗轻质吸波材料。当复合材料厚度为6.5 mm时,最小反射损耗为-35.01 dB,有效吸收带宽达到1.75 GHz。片状Al2O3锁定的石墨片构筑的导电网络,Ni微粒与基体之间的极化效应等共同促进复合材料良好的微波吸收性能。 相似文献
2.
面对着日益复杂的对抗环境,红外成像导引头的抗干扰性能需要不断提高。如何全面、客观、准确地对红外成像导引头的抗干扰性能进行评估,是一项急需解决的难题。针对传统基于支持向量机的评估方法中单核学习能力的不足,提出了一种基于支持向量回归与多核集成的评估方法,该方法在抗干扰评估指标体系下得到了综合的抗干扰性能值,为红外成像导引头抗干扰性能评估提供了新的思路。该方法能够训练多个支持向量回归机并融合多个核函数的优势,充分利用了特征的多样性,进一步降低了回归误差。实验结果表明:该算法能够实现高效可靠的红外成像导引头抗干扰性能评估。 相似文献
3.
4.
本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景,建立气动数据快速生成工具,使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型,并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片,研究基于图片识别的深度学习模型搭建,省略飞行器外形的参数化表达。测试结果说明,深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上,而基于图片识别的代理模型精度提高有限。研究表明,深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显,为深度学习技术在气动外形设计中的应用奠定了基础。 相似文献
1