毫米波带状注扩展互作用振荡器研究

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:yvonnechan
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
毫米波通常指波长在1-10mm之间,工作频率在30GHz到300GHz之间的电磁波。毫米波技术在国防、人工检测、5G通信、无人驾驶汽车等方面有着巨大的应用。毫米波振荡器是毫米波技术的重要组成部分,具有重大的研究价值。扩展互作用速调管和扩展互作用振荡器统称为扩展互作用器件。其中扩展互作用速调管(EIK)是一种放大器,已被用作高功率毫米波真空设备的重要来源。ElO在科学,商业和军事应用中发挥着重要作用,如通信,雷达,发射机,大气传感和近物体分析。EIO的相互作用腔是短波慢波结构,它利用了行波管(TWT)和速调管的优点。而常见的扩展互作用振荡器有圆柱的EIO和带状注的EIO。圆柱与带状注的区分在于它们的电子通道。其中在传统圆柱EIO难以产生大功率,因为谐振腔中的尺寸小和大电流密度。带状注的EIO可以明显降低光束的电流密度,从而降低光束的自由空间电荷效应。与圆柱EIO相比,可以承载更大的电流,从而增强光束功率,实现高输出功率。比如CIP公司的研究人员设计了一种高频CW可调谐EIO,工作频率为264GHz,输出功率为1W。带状注EIO比圆柱EIO在相同情况下,其散热效果更好,能产生高的功率。本论文展开对毫米波带状注扩展互作用振荡器的探究。设计Ka波段的高频结构,讨论间隙数目与特性阻抗及输出功率的关系。又基于电子通道和输出端口不变的情况下,展开耦合腔和互作用间隙及耦合口的参数改变对谐振频率、特性阻抗、场强分布的影响,并进行耦合腔和互作用间隙的参数改变对色散曲线的影响。最终成功的设计出了在电子注0.8mm×3.2mm下,电子注进入1mm×4mm的电子通道,在工作电压15.5kV、工作电流4A、工作频率在33.57GHz的情况下,最终达到了输出功率14.9kW,电子效率为24%的Ka波段带状注扩展互作用振荡器。
其他文献
社会网秘密共享方案是针对社会网中秘密共享中存在的“理性”参与者、方案动态调整以及声望系统合作进行研究的。动态调整是由于参与者之间交互行为,导致参与者数量、秘密值以及声望权重的变动,具有很大的实用性,是目前研究热点。由于秘密共享方案在社会网中动态调整的复杂性,因此研究社会网秘密共享方案中的动态调整和欺骗检测具有理论和实际意义。很多现有的动态调整方案中,在动态调整参与者后,存在被删除参与者仍能利用旧分
随着新时代的到来,人类生产力的极大改善和科学技术的快速发展,我们日常使用的计算机性能也得到了很大的提升,这极大的改善了我们生活的质量和方式,其中最具有代表性的就是云计算的普及和计算性能的不断优化改进,所以互联化和数字化的生活已经渗透到我们生活的每一角落,从当今最流行的数字货币(比特币、莱特币)、电子支付手段(支付宝、微信钱包)和使用最普遍的数字图书馆就是最好的体现。但是,当数字时代带给我们很大便利
混沌序列具有初值敏感性、非周期、均值遍历性等优良的特性,因此混沌序列在保密通信、数字图像加密领域中得到了广泛的应用。传统的数字混沌序列受限于计算机的存储字长,不可避免地存在周期退化问题。另一方面,在硬件实现时,过大的计算位宽会增加硬件迭代边界,使得序列的输出速率降低,从而降低了加密效率。本文采用了基于余数系统和置换多项式的混沌序列生成方法,该方法利用余数系统将大位宽的乘加运算用多个小位宽的并行运算
立体匹配是在两个或多个相同场景的二维图像中找到对应的匹配点,根据匹配点的对应关系,求出该场景的视差图。由于受到噪声、遮挡、深度不连续区域和低纹理区域等这些因素的影
软件的安全性问题越来越突出,当下,除了应用同行评审和软件测试等进行验证外,还可应用形式化验证在项目早期尽快发现软件缺陷。形式化验证指采取数学方式对软件系统建模并分
近年来,液晶面板以其轻巧,便于携带,高清,大屏,色彩绚丽显示,微功耗等优点在人们的生活中应用越来越广,已占据显示市场的主流。随着人们对液晶面板显示要求的不断提高,市场对
机器对机器(Machine to Machine,M2M)通信有望在5G网络中扮演十分重要的角色。M2M通信网络中,机器类通信设备(Machine Type Communication Device,MTCD)在没有人为干预的情况
背景:动脉粥样硬化(Atherosclerosis,AS)是心脑血管疾病共同的病理生理基础。新发现的生物活性肽Salusin-α具有抗动脉粥样硬化作用,主要通过抑制酰基辅酶A:胆固醇酰基转移酶
流程挖掘作为企业信息系统日志分析的重要手段,被广泛用于理解系统运行时产生的流程执行日志、多视角地发现流程模型以及结合挖掘结果进行服务管理。在以移动应用为代表的新
基于传统学习方法的情感分类是以大量标签数据为基础的,因此利用标签样本充足的相关源领域去帮助标签数据不足的目标领域进行的跨领域情感分析、成为克服标签样本不足的一个