论文部分内容阅读
有机载热体的优点是在较低的压力下可以获得较高的温度，而又有较好的热稳定性。有机载热体供热系统的设计是一项系统工程，其内容极为丰富，变化复杂。本文所介绍的是供热系统设计中的一些主要问题。
有机载热体加热系统的设计探讨
【摘 要】
：
有机载热体的优点是在较低的压力下可以获得较高的温度，而又有较好的热稳定性。有机载热体供热系统的设计是一项系统工程，其内容极为丰富，变化复杂。本文所介绍的是供热系统设计中的一些主要问题。
【机 构】
：
上海工程化学设计院!200233
【出 处】
：
上海化工
【发表日期】
：
2000年24期
其他文献
本文分析了两站和三站时差分选的性能和运行效率，提出了一种基于云模型的辐射源信号多站分选方法.该方法首先利用两站时差分选方法完成脉冲配对与粗分选；然后运用云模型计算各配对成功脉冲集合在时差、脉宽和载频参数维度上的隶属度，合并来自同一辐射源的脉冲集合，实现细分选；最后利用另一个云模型计算配对失败脉冲与细分选后的集合在脉宽、载频和带宽参数维度上的隶属度，归类配对失败脉冲.仿真结果表明，与现有多站时差方法
针对现有雷达辐射源信号识别方法存在的识别率不足、网络模型复杂、鲁棒性差等问题，提出一种基于改进残差网络的雷达辐射源信号识别方法。通过时频分析方法将一维时域信号变换成二维时频图像，用作深度学习网络模型的训练和测试；借鉴轻量化和去“网格效应”的设计思想，构建改进的残差网络模型。实验结果表明，在-15～-10 dB低信噪比条件下，该模型对7种雷达信号的综合识别率为95.9%，比GoogLeNet，Ale
辐射源识别主要关注辐射源的个体差异，通过信号处理手段，获取辐射源信号上与设备硬件相关的特征参数，从而掌握辐射源设备的型号、工作状态等信息。由于通信信号愈发复杂，单一域特征识别无法全面反映信号的细微差异，直接对信号处理结果进行识别存在大量数据冗余，导致识别效果不佳。为提高空间辐射源的识别效果，提出了一种基于多域特征融合的辐射源识别方法，通过对信号进行Hilbert-Huang变换和高阶谱分析，并提取
将无监督表征学习领域中对比预测编码技术用于辐射源个体特征提取，并结合复数网络，设计了一种基于复数对比预测编码的辐射源个体识别方法。对由实部和虚部组合而成的复数电磁信号，首先采用复数对比预测编码技术提取辐射源个体“指纹”特征，然后采用复数残差网络进行分类识别。实验结果表明，通过联合复数对比预测编码和复数残差网络的方法，极大地提高了辐射源个体识别正确率和鲁棒性，相较基于实数的神经网络算法和传统识别算法
为了消纳还原镁渣，实现以废治废，在电厂烟气脱硫中将还原镁渣用作脱硫剂。对还原镁渣在电厂烟气湿法脱硫中的应用进行了可行性分析，并设计了一套以还原镁渣用作脱硫剂的实验装置。结果表明，1200℃高温下镁渣与水按5∶1进行水合，将水合反应器加入其容积3/5的水，水合温度保持在75℃，反应时间为1.5h，浆液搅拌器的速度为30r/min，燃煤烟气与水合镁渣浆液的反应用量体积比为2∶1，脱硫反应的温度为40℃
针对特定辐射源识别（SEI）识别准确率较低和单次样本学习花销较大的问题，该文提出一种基于增量式学习的SEI方法。从截获信号中分别提取变分模态分解（VMD）后的Hilbert谱投影和高阶谱，降维后作为射频指纹（RFF）用于分类；在极限学习机（ELM）中采用稀疏自编码结构对多个隐含层进行无监督训练，并利用参数搜索策略确定最佳隐含层数和隐节点个数，实现对多批次标记样本的连续在线匹配。实验结果表明，该方法
现代海空战场愈发复杂多变的电磁环境促使雷达辐射源识别技术向环境交互、动态化及智能化等认知方向发展。文中首先给出雷达辐射源识别框架，从特征提取、特征选择和分类识别三个阶段阐述了辐射源识别过程；然后，重点从信号波形识别、个体识别和工作状态识别三个方面综述了研究现状；最后，对雷达辐射源识别的发展热点和趋势进行了概括总结。
辐射源个体识别是电子对抗领域中的重要技术，通过识别设备间不同细微特征从而达到区分非法设备与合法设备的目的。针对辐射源个体间指纹特征差异细微且在噪声干扰下提取特征较少的问题，提出了一种基于深度残差收缩网络的辐射源个体识别方法。该方法首先将I/Q图特征数据进行拼接，利用数据增强技术进行样本扩充，进而构建了深度残差收缩网络识别模型，最后对构建的模型进行ADS-B辐射源个体识别训练并进行识别效果评估。仿真
雷达辐射源识别是电子侦察领域的一个重要问题，复杂的电磁环境以及现代雷达日益复杂的重频模式对雷达辐射源识别造成很大困难。脉冲列的时序结构中包含了比传统一维统计参数更加丰富的雷达辐射规律信息，有助于改善雷达辐射源识别性能，但传统识别方法大多忽略了该信息。本文通过提取和利用雷达脉冲间隔高维特征，提出了一种基于决策树的雷达辐射源识别方法。将相邻脉冲间隔所构成的向量作为脉冲的高维特征，以增强不同雷达信号之间
现有的基于专家经验的特定辐射源个体识别（Specific Emitter Identification,SEI）方法和基于深度学习的SEI方法，通常在单一类型辐射源畸变存在的场景下性能较好，然而在多种辐射源畸变同时存在的复杂场景下表现较差。为此，提出一种基于多域特征融合学习的辐射源个体识别算法，将原始接收辐射源信号转换为I/Q眼图、矢量图和Hilbert-VMD时频谱图等多域信号表示作为网络输入，