简介:主反射镜的口径大小与结构形式在极大程度上决定了空间望远镜的技术难度与经济成本。为了实现更高的空间分辨率与更强的信息收集能力,各国研制的空间望远镜主反射镜的口径朝着越来越大的趋势发展,从“哈勃空间望远镜”(HST)的2.4m,到“新世界观测者空间望远镜”(NWO)的4m,甚至到“先进技术大口径空间望远镜”(ATLAST)的8m,无不体现了对超大口径空间观测能力的追求。而单块式主镜凭借其支撑技术的可靠性与经济性,正成为超大口径空间望远镜的首选。通过对国外研制的超大口径空间望远镜的论述与分析,探讨了目前空间望远镜中超大口径主反射镜的关键技术与发展方向。针对目前国内运载能力与光学制造加工能力的极限,提出了建造基于3.5m口径主镜的空间望远镜设想。
简介:采用密度泛函方法(DFT),对六元扩展卟啉的Ni(Ⅱ),Pd(Ⅱ)和Pt(Ⅱ)单金属配合物进行了几何构型的优化.在优化的基础上,对6种配合物进行了电荷分解分析(CDA)、扩展电荷分解分析(ECDA)以及前线分子轨道的成分分析.基于几何优化的结果,在含时密度泛函(TD-DFT)方法下,计算了6种配合物的吸收光谱.得出如下结论:无论是R型还是M型配合物,Pd(Ⅱ)同六元扩展卟啉的电荷转移值都是最大的,从而也说明中心金属Pd(1Ⅱ)同配体之间的相互作用也是最大的.通过对吸收光谱和前线分子轨道的分析,在B带最大吸收峰上,R型配合物主要显示出由金属到配体的电荷转移(MLCT),并且金属轨道在跃迁成分中占比越大,最大吸收峰红移越远,其最大吸收峰顺序λ(Ni@RHP)(492nm)〉λ(Pr@RHP)(477nm)〉λ(Pd@RHP,(467nm).而对于M型配合物的Ni@MHP和Pd@MHP,90%以上的跃迁来自配体内的电荷转移(ILCT),并且展示了几乎相等的最大吸收峰(540nm).Pt@MHP与前者相比有40nm的红移,并展示了MLCT的吸收特征。
简介:针对1点RANSAC(RandomSampleConsensus)单目视觉EKF(ExtendedKalmanFilter)算法中的滤波发散问题,分析了滤波发散的产生原因,提出了一种基于渐消记忆滤波的1点RANSAC单目视觉姿态估计算法。该算法通过在EKF滤波方程中引入加权因子,逐渐加大当前数据的权重,相应地减少旧数据的权重,有效地扼制了算法中的滤波发散问题。最后通过两组验证性实验验证说明了算法的有效性。实验结果表明:该算法能够有效地解决1点RANSAC单目视觉EKF算法中的滤波发散问题,具有更高的精度。第一组双轴联动实验,航向角的平均误差减小2.4158?,俯仰角平均误差减小0.1782?;第二组偏航轴大角度转动实验,摄像机航向角的估计误差一直保持在1.5?以内。
简介:建立了单粒子多位翻转的测试方法和数据处理方法,在此基础上开展了体硅90nmSRAM重离子单粒子多位翻转的实验研究。通过分析单粒子多位翻转百分比、均值、尺寸等参数随线性能量转移(linearenergytransfer,LET)的变化关系,表明了纳米尺度下器件单粒子多位翻转的严重性,指出了单粒子多位翻转对现有重离子单粒子效应实验方法和预估方法带来的影响。构建了包含多个存储单元的全三维器件模型,数值模拟研究了不同阱接触布放位置对单粒子多位翻转电荷收集的影响机制,表明阱电势扰动触发多单元双极放大机制是导致单粒子多位翻转的主要因素,减小阱接触与存储单元之间的距离是降低单粒子多位翻转的有效方法。
简介:针对Kalman滤波器在捷联惯导系统(SINS)初始对准中的应用,系统分析了Kalman滤波器参数(包括估计误差协方差阵初值P0,模型噪声方差阵Q和量测噪声方差阵R)选取对系统状态变量的估计精度和收敛速度的影响。采用协方差性能分析法,进行了Kalman滤波器参数优化仿真,仿真结果表明:调整扁的取值可改变状态变量估计的收敛速度,调整Q或R的取值,既可改变状态变量(尤其是陀螺误差)的收敛速度又可改变它们的估计精度。综合考虑时,局的取值要比真实值大一些,Q和R的取值要比真实值小一些,这样既可缩短陀螺误差和加速度计偏置误差的估计时间,又可提高它们的估计精度。文中还给出了使滤波器正常可靠工作的P0、Q和R参数的范围。
简介:针对惯导平台连续翻滚自标定中安装误差标定精度不高这一现状,提出了一种解决方案。通过对惯性器件的输出误差模型和安装误差的分析,建立了系统的姿态动力学方程和观测方程,利用输出灵敏度理论分析了系统的可观性,指出加速度计安装误差可观性较差是影响标定精度的主要原因。利用Kalman滤波中的估值方差矩阵计算了安装误差之间的相关系数,计算结果表明可观性差是由安装误差之间的线性相关性造成的,并确定了具体的不可观参数。以加速度计输入轴为基准建立平台坐标系可以减少安装误差项,使所有的安装误差的变得可观。最后的仿真结果表明在新的方案下,安装误差的估值偏差小于5",标定精度得到了显著提高。