基于问题驱动的军事高科技培训

信息化建设培训作为专题培训重要形式已在军队人才队伍建设中产生很大影响,基于问题驱动的培训是新形势下创新发展的重要探索和有益尝试.     

创新助推军民融合驰入快车道——兵器内蒙一机集团公司以科技创新驱动企业发展纪事

在第六届中国国际警用装备博览会上,中国兵器工业集团内蒙古一机集团研制的国内首创某新型联合越野车正式亮相,成为一大亮点。这款联合越野车是一机集团仅用了不到10个月的时间研制的,其综合防护性能已经超越了美国悍马,在反恐防暴、边防巡逻、武装押运以及抢险救灾、森林防火、野外勘察等方面具有广泛用途。然而,这只是该集团公司开展科研创新的一个缩影。一机集团仅2011年,就申请专利86件,     

驱动线圈匝数对磁阻发射器效率的影响分析

为研究驱动线圈匝数对磁阻发射器效率的影响,首先理论分析电磁力随着驱动线圈匝数的变化趋势,然后基于有限元软件构建磁阻发射器的仿真模型,分析不同匝数下弹丸受到的电磁力和炮口速度,并在驱动线圈为220匝时,得到最大发射效率为13.02%.研究表明,随着驱动线圈匝数的增大,弹丸受到的电磁加速力和电磁制动力都会增大;对于磁阻发射器,存在最佳的驱动线圈匝数,可使磁阻发射器获得最大的发射效率.     

管道机器人在三通处的通过性分析

三通是管道机器人经常遇到的典型障碍之一,克服该障碍的能力用管道机器人在三通处通过性来描述。文中提出一种描述差压驱动式管道机器人三通通过性的数学模型,该模型由一组组合约束构成。通过对约束方程的分析讨论、与管道机器人弯道通过性的对比分析,得出了规律性的结论。管道机器人在三通处的姿态、单元体的几何尺寸、行走轮结构形式对其通过性都有不同程度的影响。所提出数学模型是管道机器人三通自主行走控制策略设计和相应结构设计的理论基础。     

基于自抗扰控制的高超声速飞行器再入制导律

鲁棒制导律设计是增强高超声速飞行器再入突防能力、提升飞行安全性的重要保障.针对多约束条件及多种气动参数摄动影响的高超声速飞行器再入轨迹抗干扰跟踪问题,首先,在标准轨迹制导的框架下,结合模型辅助线性自抗扰控制和基于航向角误差走廊的几何制导逻辑,提出了一种可满足纵向和横侧向平面制导任务需求的自抗扰再入制导律;其次,采用反馈...     

Al/PTFE活性材料在炸药爆轰作用下的响应特性研究

为探究铝—聚四氟乙烯(Al/PTFE)活性材料在炸药爆轰作用下的响应特性,采用JO-8及DHL两种高爆速炸药对活性材料进行了端面及对碰爆轰加载试验。通过转镜式高速扫描相机记录了炸药爆轰波及活性材料激发的响应迹线,并结合理论分析获取了2种爆轰加载方式下活性材料内的冲击波压力值。结果表明：端面爆轰加载下,Al/PTFE活性材料在初始高压约为33.59 GPa的入射冲击波作用下发生剧烈反应,但随着冲击波压力衰减,反应速率迅速降低,表明该活性材料不能发生自持爆轰;对碰爆轰加载下,Al/PTFE活性材料受到持续高压作用,虽然由滑移爆轰加载产生的入射冲击波初始压力仅为15.76 GPa,但冲击波在活性材料的中心处发生汇聚叠加,形成高压集中区,在该区域内发生了“类爆轰”反应,反应速率达到4 mm/μs,但其反应过程还需要进一步研究。此外,研究还表明,同轴组合装药结构可使活性材料受到炸药爆轰产生的持续强冲击加载,不仅能够显著提升其反应速率,还可避免其反应无法自持的问题,可为相关战斗部装药的设计提供参考。     

聚能射流形成过程的理论建模与分析

分析了聚能射流的形成过程,并对其中的各阶段进行了详细建模。在模型中考虑了炸药爆轰、金属的驱动、药型罩压垮以及射流和杵体的形成过程。采用该模型对某一聚能装药结构进行了计算,计算结果表明:药型罩顶部和底部微元的压垮速度较小,在射流头部形成反向速度梯度,与试验数据吻合较好。该模型对于多级侵彻战斗部的工程设计与侵彻参数的计算具有一定的参考价值。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。