相控阵雷达扫描波位和扫描时间的设计与优化

详细讨论了在相控阵雷达设计中扫描波位如何确定的问题。扫描波位的确定原则是使雷达系统既满足一定的检测概率和作用距离，又能在最短的时间内扫描整个空域。这就必须在波位驻留时间和平均增益损失等因素之间进行折衷。为了进一步节省扫描时间，还对如何利用数字波束形成（ Ｄ Ｂ Ｆ） 技术实现优化进行了探讨。

基于FMI图像深度学习的砂砾岩体沉积微相识别方法——以东营凹陷北带Y920区块沙四上亚段为例

砂砾岩体属于近源快速堆积,扇体多期叠置,岩性多样、非均质性强,常规测井曲线受粗碎屑岩石组构、流体复杂性的影响,往往对沉积微相识别有难度。以东营凹陷北带Y920区沙四上亚段砂砾岩体为例,将岩心刻度FMI(全井眼微电阻率扫描成像测井)图像,总结各沉积微相的FMI图像特征;分析不同沉积微相与岩性、物性、含油性的关系;利用灰度共生矩阵图像处理手段提取不同沉积微相FMI图像的对比度、相关度、角二阶矩、同质性4种纹理参数,将4种纹理参数与取心段不同沉积微相FMI图像分别作为K最近邻分类算法(KNN)和卷积神经网络(CNN)的学习样本,训练机器学习和深度学习网络来开展沉积微相的分类和识别。研究结果表明:Y920区沙四上亚段砂砾岩体可细分为扇根主水道、扇中辫状水道、扇中辫状水道间和扇端泥4种微相类型。其中扇中辫状水道为最优势微相,FMI图像大多具有亮色、块状且砾径分布较均匀的特征,其岩石分选性、物性、含油性较好,是有利的储集层发育带。KNN分类算法和CNN网络模型都可对沉积微相进行判识,相较于传统KNN机器学习,CNN深度学习模型识别微相误差更小、鲁棒性更高。FMI图像特征提取及CNN方法应用深化了砂砾岩体沉积微相的内部结构认识,为沉积微相精细刻画与有效储层预测提供了依据。

步进电机的单片机驱动控制

以步进电机作为动力装置,介绍了系统的组成.采用STC89C52作为主控制芯片,红外避障传感器型号为E18-D80NK,黑白线检测传感器型号为TK-20,步进电机型号为SST42D1070,通过红外避障传感器和黑白线检测传感器的协同工作,将采集得到的数据经主控制芯片分析处理后对步进电机做出指示,并将小车的行程和速度通过1602液晶显示模块显示出来.设计实现单片机对步进电机的智能控制,达到自动避障和自动寻迹的功能.

组态软件控制技术课程远程实验室

为了缓解高校实验教学中实验设备资源不足与社会需求大之间的矛盾,解决实验设备远程管理中存在的问题,本文在总结早期远程实验室设计方案的基础上,讨论了组态软件控制技术课程远程实验室实现方案.该远程实验室方案采用VPN(Virtual Private Network)、防火墙技术和JSP(Java Server Pages)技术,建立了远程实验室管理系统网站和实现了远程实验之目的.论文最后通过组态软件Win CC(Windows Control Center)设计蒸发器远程监控系统实验验证了该方案的可行性.

5G上行带宽探测与应用研究

提出了一种5G上行带宽探测与应用的方案,能够有效解决视频监控数据在5G网络传输过程中遇到的网络波动问题,助力5G视频监控应用的实际落地部署。该方案在终端侧获取5G基站的无线资源调度信息,通过统计传输资源,估算出上行带宽变化趋势,结合流媒体应用的智能编码技术和码流自适应技术,在损失一定视频清晰度的代价下,保证视频不卡顿、画面连续,保障客户的整体感知。该方案可以广泛应用在校园视频监控等5G公共业务多、网络波动大、覆盖范围广的场景。