汉译英练习中的母语干扰现象试析

分析了在汉译中常见的由于母语干扰导致的错误，并提出了教学中应注意的问题。     

一种软开关斩波器低频段传导干扰建模仿真

本文基于实验测量的器件参数及系统寄生参数,建立了挂接在直流电网的一个软关断斩波器的Simulink传导干扰分析模型,通过时域Simulink仿真得到系统的LISN输出电压波形及低频段(0~150 k Hz)传导干扰计算结果,与实测结果比较吻合。研究发现总传导干扰呈现为在开关频率整数倍处出现较大值的规律,总体趋势是传导干扰自30 k Hz起随频率增加而增加。而差模干扰随频率增大而减小,共模干扰随频率增大而增大。故可认为该系统的主要传导干扰是共模干扰。     

船体影响下舵附推力鳍的节能效果研究

通过 CFD方法实现船舶自航试验模拟,计算在船体影响下舵附推力鳍可带来2.3%左右的节能效果,分析指出舵附推力鳍通过吸收螺旋桨尾流能量,增加螺旋桨推力,改善船尾伴流,降低船身阻力的节能原理。计算敞水状态下桨/舵/舵附推力鳍系统的推进性能,并与船体影响下的推进性能进行比较,指出敞水状态下舵附推力鳍的工作状态与在船体影响下有着较大不同,为设计人员提供基础参考。     

顶浪规则波中小水线面双体船纵向运动特性数值分析

基于RANS方程和VOF模型求解船体粘性兴波流场,采用Overset技术处理船体运动,开展了小水线面双体船(Small Waterplane Area Twin Hulls,SWATH)迎浪规则波中运动响应特性及其产生机理的研究。通过数值计算结果与模型试验结果的对比分析,验证了本文方法的有效性;在此基础上,分析了船体运动响应曲线中各峰值产生的原因及片体间相互干扰对SWATH船在波浪中运动响应的影响,发现其中一个峰值出现的原因为遭遇频率接近船体运动固有频率,由此发生共振;另一个峰值的出现则可能与SWATH特殊的船型及附体配置有关。由于SWATH船片体间的水动力干扰效应,SWATH船在波浪中运动响应峰值较单个片体响应峰值明显减小,且出现的位置向低频方向移动。     

基于自适应算法的单矢量传感器抗相干干扰

将矢量传感器组合指向性vs的零点对准已知的相干干扰方向,获得"干净"的目标信号,然后结合自适应算法抵消矢量传感器原始数据中各通道的相干干扰,达到抗相干干扰的目的.文中阐述了方法的原理,进行了多种情况下的仿真,并给出实验结果.仿真和实验结果表明该方法能有效抑制方位已知的相干干扰.     

基于小波包分解和特征能量提取技术的车内传导干扰源识别

车内大功率用电设备的电压波动是车内产生传导干扰的主要原因。文中介绍了通过对采集的干扰信号进行小波包分解,对系数进行最小风险的去噪处理,然后提取特征能量来识别车内传导干扰源。最后采用EM-test设备发生干扰信号进行实验,结果表明该方法对车内电压波动的主要干扰源有较强的识别能力。     

移频信号抗干扰检测算法研究

时域分析和傅氏变换的频域分析方法是现代铁路信号检测的主要方法之一,随着铁路的发展,需要更多的信息量和更加有效的铁路信号检测方法,以满足铁路运输安全和高效率的需要。近年来,现代频域分析已有很大的进展,出现许多新的信号分析处理方法,特别是小波和高阶谱分析的发展,已能分别对非平稳和非高斯信号进行有效地分析处理。本文尝试采用小波变换对铁路移频信号进行分析,在分析时考虑交流干扰,得到铁路移频信号的完整参数,     

混合交通侧向干扰模型分析

分析和研究了混合交通条件下路侧障碍物对机动车的干扰,并从驾驶员及车辆特征角度提出了侧向干扰数学模型。     

脉冲压缩雷达干扰技术仿真研究

在对脉冲压缩雷达干扰技术进行仿真研究的基础上,描述了线性调频脉冲压缩雷达和相位编码雷达的数学模型,建立了对线性调频脉冲压缩雷达和相位编码雷达的移频干扰模型,分析了干扰对雷达系统的影响并对此进行了仿真研究.结果表明,上述干扰模型对于脉压雷达而言具有较理想的干扰效果.     

专家控制-改进S面算法在近水面航行器运动控制中的应用研究

[目的]旨在提高舵板响应速度和效率,以满足近水面航行器在静水及波浪干扰下的深度保持和姿态控制要求。[方法]在S面算法的基础上,提出一种具有更快收敛速度的改进S面控制算法,并与专家智能控制相结合,建立闭环专家控制-改进S面算法的混合控制模型,构建混合算法控制器。对比分析PID算法、S面算法、改进S面算法以及专家控制-改进S面算法在近水面航行器航行深度、姿态控制间的差异,并进行波浪干扰下的运动预报。[结果]预报结果表明：改进S面算法在静水航行控制中可提高收敛速度,波浪干扰下可降低纵摇幅度;专家控制-改进S面算法能够提高舵的控制效率,在静水中快速实现航行状态稳定转换,在波浪中有效降低近水面航行器垂荡和纵摇幅值30%以上。[结论]所提专家控制-改进S面算法对近水面航行器运动稳定性的提高适用性良好。