论文部分内容阅读
以F-12芳纶纤维织物为承力层进行多层柔性复合材料制备.研究织物紧度对柔性复合材料拉伸强度、撕裂强度的影响,研究不同拉伸角度柔性复合材料拉伸强度的变化情况,对比柔性复合材料及其增强织物拉伸断裂破坏形式.
基于F-12芳纶纤维多层柔性复合材料性能分析
【摘 要】
：
以F-12芳纶纤维织物为承力层进行多层柔性复合材料制备.研究织物紧度对柔性复合材料拉伸强度、撕裂强度的影响,研究不同拉伸角度柔性复合材料拉伸强度的变化情况,对比柔性复合材料及其增强织物拉伸断裂破坏形式.
【机 构】
：
中国航天科工集团第六研究院四十六所,内蒙古呼和浩特010010
【出 处】
：
第七届高分辨率对地观测学术年会
【发表日期】
：
2020年1期
其他文献
植被覆盖度是研究地球表面植被生态系统动态过程的重要参数之一,对生态环境监测,碳循环模拟和气候变化研究等具有重要影响.当前低空间分辨率植被覆盖产品较多,如GEOV2,GEOV3和全球陆表特征参量产品(GLASS),空间分辨率从几公里到几百米.虽然其具有较好的时间和空间连续性,但它们不能满足精细的区域尺度分析.因此,通过结合高分二号的高空间分辨率影像数据和机器学习算法来估算Landsat尺度的植被覆盖
城市功能区(如地块、街区等)是城市的基本空间单元,其类别信息(如商业、工业、住宅等)是城市研究与城市规划的基本数据.许多研究利用高分辨率遥感影像的地物光谱、纹理、结构信息,来解译城市功能区.然而,城市功能区的概念与人类活动密切相关,它的解译应当不仅基于城市景观信息,也要同时考虑人类活动的相关信息.为此,本文融合高分辨率吉林一号夜间灯光影像与资源三号日间光学影像,来综合解译城市功能区.其中,资源三号
在合成孔径雷达(SAR)观测区域中,大量强点目标引起的高旁瓣会覆盖四周的弱目标的主瓣电平,导致弱目标信息无法提取,从而影响SAR图像解译工作.常规的频域加窗经过将SAR图像数据变换到频域,然后在频域通过窗函数来进行幅度加权,但会导致有效信号带宽变窄和主瓣展宽,将会严重影响SAR图像分辨率.为了解决此问题,本文提出了一种基于自回归(AR)模型SAR图像旁瓣抑制方法,通过前向预测器和后向预测器进行频谱
针对卫星上微振动影响遥感图像成像质量的问题,提出了一种基于惯性参考基准的像移测量方法,介绍了该方法的原理.为验证该方法的实际性能,研制了一套试验验证系统,包括验证相机(惯性参考基准单元、哈特曼传感器)、积分球、靶标、平行光管、隔振平台、激振器、六自由度支撑台等.开展了多种工况下的验证试验,结果表明,基于惯性参考基准的像移测量方法实现了较高的测量精度,与哈特曼传感器的测量数据相比,误差不超过0.12
目标的位姿是目标位置和姿态的统称.而目标位姿估计则是指求解目标本体坐标系相对于参考坐标系之间平移和旋转变化关系的过程.常见的位姿测量技术有GPS、惯导、视觉等.GPS易受地形屏蔽,存在信号丢失的问题.惯导系统存在误差漂移效应以及价格昂贵等缺点.基于视觉的位姿测量系统以其成本低廉、精度高、非接触等优点而被广泛应用于军事制导、航天器交会对接、机器人抓取、自动驾驶、增强现实等领域.在工业自动化生产领域中
同一类合成孔径雷达(Synthetic Aperture Radar,SAR)车辆目标往往存在不同型号的变体,这些型号变体整体结构相似仅在目标配置存在差异,如坦克是否装备油箱,天线是否展开;装甲车是否装备炮筒等.在战场感知、精确打击等领域,实现精准的车辆目标型号识别有重要的研究价值.为提高SAR车辆目标型号的识别性能,本文提出了一种基于协同表示的高分辨率SAR车辆目标型号识别算法.首先利用所有型号
静止轨道卫星轨道周期与地球自转周期相同,且方向一致,具有长时间保持定点位置特性,通常应用于通讯、气象、导航等领域.随着静止轨道高分辨率遥感卫星技术不断成熟,可搭载多种成像载荷,对同一区域进行不间断连续高分辨率成像观测,可广泛应用于灾害监测、公共安全、现代农业等领域.卫星任务控制策略决定了系统效能发挥,不同于低轨卫星轨道特点,静止轨道卫星相对地面静止,具有高时间分辨率,卫星测控、数传任务更为灵活,可
星载激光测高技术日新月异,为提升国产卫星测绘产品高程精度,有专家提出将激光测高仪与光学相机同平台搭载进行复合测绘.2019年中国发射的高分七号(GF-7)卫星搭载有立体测绘相机和2台激光测高仪.由于激光雷达测量数据具有瞬时性,对地物不成像,难以实时记录空间定位的参照信息.为保证激光点和光学影像的配准,系统增加了标识激光出射方向的足印相机,这从硬件层面提升了激光雷达在复杂地形下的测绘能力.本文通过星
机载毫米波全极化合成孔径雷达(PolSAR)具备不受光照限制、地物散射信息丰富、高分辨率等特点,随着其技术的不断发展和完善,已经成为重要的对地观测手段之一,而无监督分类是毫米波PolSAR数据的重要研究方向.针对于ka波段、分辨率为0.3米的未定标PolSAR影像,本文利用新的超像素分割算法与Wishart-H/A/α分类算法结合,实现毫米波全极化SAR的无监督分类过程.首先使用了线性压缩方法对数
深度学习已经广泛使用并在很多计算机视觉问题上取得了出色的结果.然而,深度学习依赖大量训练数据才能克服模型的过拟合问题.不幸的是,在很多领域,获取大量训练数据是一件十分困难的事情.数据扩增是针对有限训练数据问题的一个重要的数据空间解决办法,旨在增强训练数据的规模,缓解深度神经网络模型的过拟合问题,提高模型的性能和泛化能力.已有的图像数据扩增方法包括几何变换、彩色空间变换、核滤波、图像混合、随机擦除、