基于磁偶极子的2阶磁场梯度张量缩并方法

针对磁场定位中2阶磁场梯度张量的理论尚不够完善的现状，提出基于磁偶极子的2阶磁 场梯度张量缩并方法。给出2阶磁场梯度张量的全局模量和局部模量计算公式，分析2阶磁场梯度张量的全局模量和局部模量及相关参数的三维空间分布规律，并给出相关参数k_H、k_Hxy和k_Hz的近似计算公式，比较1阶磁场梯度张量和2阶磁场梯度张量及其模量的分布规律及与距离的关系。计算结果表明：全局模量C_H及参数k_H值在0°≤≤90°时，随着增大而减小，在=0°时最大，在=90°时最小；局部模量C_Hxy和参数k_Hxy值在0°≤≤90°时，随先增加、后减少，当=35° 时最大，当=90°时最小；局部模量C_Hz和参数k_Hz随先减少、后增加，当=0°时最大，当=71°时最小；k_H、k_Hxy和k_Hz的拟合值与理论反演值高度吻合；在距离较近时，2阶磁场梯度张量及模量更敏感；在距离较远时，1阶磁场梯度张量及模量更敏感；在实际磁场定位的应用中，可结合1阶和2阶磁场梯度张量及全局模量进行使用。     

快速近似计算Shapley值的归因解释方法

Shapley值归因解释方法虽然能更准确量化解释结果, 但过高的计算复杂度严重影响了该方法的实用性. 本文引入KD树重新整理待解释模型的预测数据, 通过在KD树上插入虚节点, 使之满足TreeSHAP算法的使用条件, 在此基础上提出了KDSHAP方法. 该方法解除了TreeSHAP算法仅能解释树结构模型的限制, 将该算法计算Shapley值的高效性放宽到对所有的黑盒模型的解释中, 同时保证了计算准确度. 通过实验对比分析, KDSHAP方法的可靠性, 以及在解释高维输入模型时的适用性.     

基于Lissajous曲线拟合的EFPI光纤传感器腔长解调

为提高非本征光纤珐珀传感器(Extrinsic Fabry-Perot Interferometric, EFPI)腔长解调的精度，基于EFPI传感器反射光谱近似余弦函数的特性，设计了一种基于李萨如图形(Lissajous-Figure)与标准形式椭圆曲线拟合的解调方法。将两组光强信号经过坐标变换拟合为标准椭圆曲线，以减少求解参数；并通过经验模态分解对数据进行分析，去余项后将得到的极值点代入椭圆曲线求解。将离散数据点分别移动5、10、15、20、25个点测试五组不同相移对解调结果的影响并选取其中误差最小的一组对EFPI传感器进行横向负载实验，分别施加5~25 N的应力，通过拟合椭圆曲线的解调方法将计算腔长差与理论腔长差相对比。结果表明，实际腔长差随负载成正比，平均误差值为5.690%左右，可以准确获取 EFPI 的腔长。     

4K超高清演播室的设计与应用

4K/8K超高清产业发展,是“十四五”时期超高清视频产业发展的重点内容。对于地方广播电视媒体而言,如何挖掘和利用4K技术建设超高清演播室,提升4K超高清视频制作与传播的能力,是当前重点关注的问题。为此,本文结合相关技术的发展现状,在介绍4K超高清演播室设计方案的基础上,对演播室的主要技术特点以及具体的应用情况进行了分析探讨,为“十四五”时期地方广播电视媒体科学发展4K超高清视频产业提供相关内容参考。     

基于Massive MIMO及频谱叠加的5G SA网络上行优化方法

大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)可以有效提升5G SA网络的上行链路数据传输速率以及可靠性。针对5G SA网络上行链路速率和覆盖不均衡的情况,提出了基于大规模MIMO的分组算法,将发送信号矢量进行分组,组内采用最大似然检测,组外采用基于正交三角分解(QR分解)的干扰消除检测,并且结合5G频谱的叠加策略,在降低算法复杂度的同时,有效提升网络覆盖和速率。通过5G SA现网实测,通过MIMO降低分组数量能够提升分组检测性能,结合上行低频段频谱叠加策略能够有效提升5G SA网络上行覆盖30%,提升5G SA网络上行平均速率40%~80%,特别是弱覆盖边缘的网络速率,最高可达600%。     

水泥对红壤pH值及植物生长影响的试验研究

中国南方地区广泛分布的酸性红壤严重影响植物的正常生长.针对此问题,以水泥掺量为0.1％、1％、2％、3％、4％的红壤为研究对象,开展了水泥对红壤pH值影响试验和盆栽种植试验.水泥对红壤pH值影响试验结果表明:红壤pH值随着水泥掺量的增加而增加,并随养护时间增加,pH值不断减小.养护28 d后,水泥掺量每增加1％,红壤pH值增加0.75.盆栽种植试验研究表明:当水泥掺量为0.1％时,狗牙根发芽率和生长高度表现最好,随着水泥掺量的增加,狗牙根发芽率降低,生长高度不断减小.水泥掺量每增加1％,狗牙根发芽率减少12.63％,狗牙根生长高度排序为:0.1％＞1％＞2％＞3％＞4％.     

利用FDM和随机共振检测风机主轴承微弱旋转信号

轴承作为风力发电机设备中重要部件,其健康状态直接影响风力发电机运行的稳定性和现场的安全可靠性.由于风力发电机特殊的工作环境,导致采集到的振动信号中包含大量的噪声干扰,难以准确提取轴承振动信号包含的信息成分,给评估主轴承健康状态带来困难.因此本文采用将傅立叶分解(Fourier decomposition method,FDM)和随机共振(Stochastic resonance,SR)相结合的方式提取信号中微弱的轴承振动信息.首先用FDM将原始信号自适应地分解为一系列包含轴承振动特征的傅立叶频带函数,然后找出相关性大的频带函数进行重构,最后采用SR对重构信号进行分析获得特征频率,判断轴承的健康状态.结果 显示,将两种方法相结合能有效提高输出信噪比,提升特征频率检测的精度,为实现风机轴承早期微弱故障诊断提供帮助.