首次作出了一类数字混沌保密语音通讯系统的应用实验电路,提出了时钟一间隔脉冲驱动同步方法,分析了系统的噪声特性和保密性能.实验结果表明,基于数字混沌的保密语音通讯是可靠的

作者对等温淬火的钒钛球铁齿轮进行了7种基础性能试验。结果表明:这种齿轮的接触疲劳极限σHum值、抗磨损能力、结构阻尼比和降低噪声等方面具有优良的性能,而弯曲疲劳强度较低。用这种钒钛球铁制造QJ系列减速器齿轮,其承载能力可提高50%

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障

4. 1 偏置电路和耦合方式 4. 2 放大器的性能指标 4.3 基本组态放大器 4.4 差分放大器 4.5 电流源电路及其应用 4.6 集成运算放大器及集成功率放大器 4.7 放大器的频率响应 4.8 放大器的噪声

为提高复杂环境下红外小目标的检测效率,将图像分为平坦区域、边缘区域和小目标区域三种区域,并针对三种成分的特点,提出基于拉普拉斯金字塔的非线性局部滤波检测方法.首先将图像进行高斯金字塔分解,将高斯低通金字塔与原图像尺寸匹配后,相减并进行阈值操作,抑制平坦区域;其次将标记像素灰度值与其周围环域均值的最小差作为指标,滤除边界区域;最后将非线性局部滤波结果生成相应的拉普拉斯金字塔各层系数,重构得到高对比度的检测图像,利用邻域特点剔除孤立噪声点并通过简单阈值标记红外小目标.实验结果表明:与现有其他算法相比,该检测算法能够对复杂背景有效抑制,检测速度快

利用弱腐蚀倾向的溶液环境，控制20CrMnTi钢产生有限的亚稳态蚀点分布.运用电化学噪声法，研究了20CrMnTi钢亚稳态蚀点的萌生规律，结合ANSYS有限元计算，导入真实腐蚀形貌，对比研究了不同腐蚀条件下蚀孔周边的应力分布与裂纹萌生风险.结果表明，20CrMnTi具有较高的点蚀敏感性，其亚稳态蚀点集中在杂质相边缘优先形核，随Cl-浓度的升高，点蚀孕育期明显缩短，点蚀敏感性增大.不同Cl-浓度下引起的形核速率上升会缩短蚀点间距，表面微裂纹易连接蚀点而发生扩展，增大裂纹萌生风险

提出基于管道流体信号的自振射流特性检测方法, 将压力传感器从高压罐内移至高压罐外, 布置在高压罐外的前端管路上, 从而避开高围压环境影响; 通过双压力传感器拾取管道流体压力脉动信号, 并运用信号处理技术有效抑制干扰噪声, 提高有用信号强度, 准确获取射流的压力脉动信息.试验表明, 管道流体压力信号的频谱特征与喷嘴腔内检测法具有一致性, 且与理论计算较为吻合, 充分表征了射流的压力振荡特性; 其声功率谱与高压罐内水听器检测结果相一致, 较好地表述了射流的空化作用特性.由此认为基于管道流体信号的检测法用于自振射流特性的检测是完全可行的, 具有先进性, 为高围压下自振射流的研究提供了新手段

现代电力电子设备对非平稳、时变电压信号十分敏感,基于此提出了一种网侧电压异常检测与预报的方法,通过对网侧电压信号进行实时检测,向相关电力电子设备的控制电路发送网侧电压异常预报信号.为消除电压信号中的常规噪声干扰,首先采用线性跟踪微分器对网侧电压信号进行滤波,在此基础上,通过引入小波变换模极大值法检测奇异点,对滤波后的信号进行电压突变点的判断,目标是准确预报出电网电压中可能对电力电子设备造成危害的异常点.仿真与实验结果表明,基于线性跟踪微分器的小波信号检测能够实时准确地获得理想信号的最佳逼近,提高了网侧电压故障检测速度,通过实时的检测与分析,该方法能够为电力电子设备提供具有参考价值的预报信号

对金相图像进行快速精确分割是金相晶粒评级的关键步骤，利用传统Chan-Vese（CV）模型很难将晶粒精确地提取出来.为了更加精确地对金相图像进行分割，提出一种基于改进CV模型的金相图像分割方法.初始化水平集函数，对曲线内外两部分分别计算其倒数坎贝拉距离，并将该距离的大小作为拟合中心的权重系数，有效抑制了噪声点对区域拟合中心准确性的影响；引入指数熵自适应调节曲线内外能量权重，减少固定能量权重对曲线演化的影响；同时加入距离规范项以避免水平集函数的重新初始化，加速该模型的收敛.实验结果表明，与传统CV模型、测地线活动轮廓模型、距离规范项的水平集模型以及偏置场修正水平集模型相比，所提方法分割出的金相图像更加精确，分割效率较高且模型收敛性较好

针对超声心动图像质量差、噪声多，传统卷积神经网络架构对超声心动图像的学习能力有限、表达不充分的缺点，提出了一种基于标准切面识别的房间隔缺损（Atrial septal defect，ASD）智能辅助诊断模型。该模型通过对超声心动图像进行切面识别，充分融合其不同切面的语义特征，使得诊断的准确率得到明显提升。此外，还对其进行双边滤波保边去噪，并基于此模型搭建房间隔缺损智能辅助诊断系统（简称ASD辅助诊断系统）。结果表明，该ASD辅助诊断系统的准确率高达97.8%，且与传统卷积神经网络相比大大降低了假阴性率