【摘 要】
：
核磁共振陀螺基于原子核自旋在磁场中的拉莫尔进动敏感角速度,被认为是未来高精度小尺寸陀螺仪的主要发展方向之一。核磁共振陀螺一般采用碱金属(如87Rb、133Cs)蒸气与稀有气体(如129Xe/131Xe)的混合气体,角速度信息加载在稀有气体原子核自旋的进动频率上,而核自旋的进动信号由碱金属原子构成的磁力仪来检测。因此在核磁共振陀螺中,原子磁力仪具有重要的作用,其稳定性、灵敏度等指标直接影响核磁共振陀
论文部分内容阅读
核磁共振陀螺基于原子核自旋在磁场中的拉莫尔进动敏感角速度,被认为是未来高精度小尺寸陀螺仪的主要发展方向之一。核磁共振陀螺一般采用碱金属(如87Rb、133Cs)蒸气与稀有气体(如129Xe/131Xe)的混合气体,角速度信息加载在稀有气体原子核自旋的进动频率上,而核自旋的进动信号由碱金属原子构成的磁力仪来检测。因此在核磁共振陀螺中,原子磁力仪具有重要的作用,其稳定性、灵敏度等指标直接影响核磁共振陀螺的角随机游走、零偏稳定性等指标。核磁共振陀螺需要测量和补偿系统内剩磁以减小陀螺零偏漂移。现有内嵌碱金属原子磁力仪在待测磁场为直流弱磁场条件下给出了解析公式,但在实际工作条件下,待测磁场可能较大。本文基于“级数展开-迭代求解”方法推导出了在较大横向磁场条件下的解析公式,并利用完整的Bloch方程在不同系统条件下对其进行了检验。解析公式给出了磁力仪的输出随载波磁场幅度(（8）和频率(（8）,碱金属原子自旋弛豫时间1、2和待测横向磁场的进动频率的依赖关系,因此可用于指导优化核磁共振陀螺系统参数。内嵌碱金属原子磁力仪的横向弛豫时间是表征磁力仪性能的重要参量。本文基于“级数展开-迭代求解”方法进行理论推导得到了磁力仪幅频响应特性的理论模型,幅频响应特性曲线的3 d B带宽取决于磁力仪横向弛豫时间,由此提出了磁力仪横向弛豫时间的在线测量方法:在陀螺工作过程中沿轴方向施加扫频磁场,扫频的频率点远离稀有气体原子的磁共振频率以避免对其干扰,然后测量磁力仪轴方向上的幅频响应特性曲线,利用理论模型拟合得到横向弛豫时间的实时值。通过实验验证了测量方法的准确性,可应用于观测和自动控制陀螺系统工作状态。核磁共振陀螺中探测光频率变动将导致内嵌磁力仪所测信号幅度的变动,进而导致陀螺的零偏漂移。本文根据核磁共振陀螺结构特点,提出了一种集成式探测激光稳频方法,即对探测光频率加上一个幅度调制,然后对平衡探测器接收到的光强信号作一次谐波解调,得到稳频误差信号,通过PID反馈控制可将探测光频率稳定在某个合适的参考点。具体分析了该方法的原理和稳频精度影响因素,然后介绍了集成有探测光稳频系统的核磁共振陀螺实验装置并实验验证了该稳频技术的可行性,在目前系统条件下可实现稳频精度优于10 MHz。该技术不需要外部稳频系统,有利于核磁共振陀螺的小型化。
其他文献
用以支撑战场信息传输的战场无线网络使得现代战场的作战范围空前扩大、作战效率显著提高,推动了以信息化为核心的新军事变革的不断发展,使得战争“迷雾”效应越发明显,实现对战场无线网络态势的有效感知能够为指挥员提供辅助决策支撑,对掌握信息化战争主动权起到决定性作用。信息化战争的不断发展使得战场数据对第三方呈现出海量、复杂和自然失真等特点,这给战场无线网络态势感知带来极大挑战。本文以矩阵补全理论和张量补全理
强化学习（Reinforcement Learning,RL）已成为人工智能领域备受关注的一类方法,然而,从白板状态开始通过试错方式不断学习的机制使其在大规模决策问题中容易出现学习过程漫长、难以获得可行解等问题。迁移学习（Transfer Learning,TL）通过对简单源任务中已学过的知识进行重用,能够改善目标任务中强化学习的性能。因此,本文针对强化学习框架下的迁移学习方法进行研究,提出了三种
光学对地观测卫星是从太空获取地球表面图像信息数据的重要平台,具有成像时间长、覆盖范围广、不受地域国界限制等优势,在自然灾害监测、气候监测、军事态势侦察等领域发挥着举足轻重的作用。随着经济发展和科学进步,越来越多的成像任务需求涌现出来。如何利用有限的卫星资源,合理规划任务需求,完成任务调度,最大化成像卫星的使用效能,是一个非常值得研究的课题。作为新一代光学对地观测卫星,敏捷对地观测卫星具有多个自由度
长期以来,粒子加速和辐射研究不断推动着科学的进步,时至今日超过半数的诺贝尔物理学奖都与粒子加速及其应用有关。传统粒子加速器硕大的体积、昂贵的造价,已经接近经济和技术的极限,因而加速器的应用与推广受到了极大限制。为此,研究人员不断探索新型高效的粒子加速技术,以实现桌面化的小型粒子加速器。与传统粒子加速相比,强激光粒子加速有着以下显著优点:加速梯度大（一般高于传统加速器3个量级以上）,产生的离子束脉冲
传统机器学习的一个基本假设是测试数据与训练数据服从相同的分布,然而这一假设往往在实际应用场景中因过于严格而难以成立。近来,以深度学习为代表的机器学习方法在各领域都取得了长足进展,然而人们认为机器学习模型优异的性能依赖于大量的标注数据,而对数据进行标注通常是耗时、费力和代价昂贵的。迁移学习放宽了传统机器学习的基本假设,因而能够利用某些领域（源域）已有的标注数据辅助解决新的领域（目标域）中的应用问题,
电控固体推进剂（Electrically Controlled Solid Propellant,ECSP）是近年来发展的一种新型固体推进剂,在外加电压或电流作用下可实现多次重复点火和燃速的实时调控。基于电控固体推进剂的固体火箭发动机结构简单,无点火器和活动部件,既可以长时连续工作,也可以短时脉冲工作,比传统固体火箭发动机表现出更高的机动性和灵活性,是未来弹箭武器主动力和姿轨控发动机的理想动力装置
星载合成孔径雷达（SAR）层析技术,利用同一目标的多角度相干测量,在高度向上形成合成孔径,从而实现对观测目标的立体三维成像。由于具有高度向分辨率,SAR层析成像能够分辨出叠掩在同一像元内的多个散射元目标,为叠掩目标分辨提供了一种有效的技术途径,是雷达成像领域未来重要的发展方向。目前,星载SAR层析成像技术被广泛应用于军事侦察、地球遥感等多个领域。本文围绕星载SAR层析技术在城区三维成像应用中面临的
电离层是地球高层大气中被电离的部分,其中的带电粒子足以影响电磁波的传播,将导致相位超前、群延迟、色散、法拉第旋转（Faraday Rotation,FR）以及幅相闪烁等效应,势必会对星载合成孔径雷达（Synthetic Aperture Radar,SAR）造成一定程度的影响。随着工作频率下降、带宽以及合成孔径时间增大,星载SAR的成像性能将更容易受到电离层效应的影响。因此,对于低波段星载SAR、
战术移动自组织网络（Mobile Ad Hoc Network,MANET）是在战场环境下由一组自治的设备或者节点组成的即时性网络,具有不依赖基础设施、易部署、无中心、自组织、高动态等特点。对战术MANET进行节点、网络属性的监测与分析在网络安全性分析与对抗等领域具有重要支撑作用。传统的网络可接入、信息内容可解析条件下的监测分析技术必须以接入和解密为前提,应用场景受到极大限制特别是主动式探测式监测
过去的几十年,以社交网络和搜索引擎为典型的互联网技术、新兴的物联网技术等带来了蓬勃增长的视觉图像数据。以机器学习、深度学习等为代表的人工智能技术极大地促进了对图像的认知能力。但爆发式增长的视觉数据分布呈现出显著的复杂性、动态性、隐私性特点,对现有的深度模型、算法、框架提出了更高的要求。因此,本文立足于不同应用场景,从数据分布驱动的角度研究学习系统可以利用的归纳偏置,通过设计新的或者改进现有的深度模