反坦克导弹的气动参数辨识

本文运用极大似然法进行激光驾束制导反坦克导弹气动参数的辨识。在辨识的迭代寻优过程中,采用变步长搜索提高辨识准度;在辨识算法的具体计算处理上,采用了模型分解法,大大减少了计算时间,保证了气动参数的辨识精度。同时给出辨识仿真验证结果.     

载人飞船返回段的最优控制

本文介绍空间飞船再入段最优制导方法。纵向制导采用二次型性能指标最优的线性系统,得到最优控制规律。侧向制导利用庞特里亚金最小原理,得到最优开关曲线。结果表明,这些控制规律优于Rodney C.所介绍的制导方法。     

状态空间中的 H∞控制方法研究

本文简要介绍了H_∞控制方法的发展与应用。给出了作者博士论文期间的主要工作。     

威胁特征描述

本文概述了针对陆上和海上目标的飞机任务;根据武器投射廓线飞机终端操作;空地导弹的特征以及地地导弹的特征.接着介绍了可观察性、机动性和脆弱性.可观察性非常重要因为我们不能向看不到的目标射击.威胁的机动能力能降低防空功能,如跟踪、预测和导引.脆弱性是指对由炮弹、碎片和爆炸所造成的结构伤害的敏感性的量度.防空系统用于保护陆地上和海上资源免受来自空中的攻击.这些攻击涉及坦克、卡车、道路、机场、部队、工厂以及舰船上运输和装载的军械,简言之,包括任何有助于增加武装部队继续冲突能力的因素.防空威胁包括有人驾驶飞机、空地导弹和地地导弹.威胁特征描述是确定和量化任务的大致轮廓、可观察性、机动性和脆弱性的过程.防空系统分析的目的是预测系统的效能.有几种效能度量,但它们都回殊途同归,即阻止威胁完成其使命或任务.     

薄膜晶体管液晶显示器对空间光调制模式与偏振器方向的关系

薄膜晶体管液晶显示器TFT LCD(Thin Film TransistorLiquidCrystalDevice)是信息光学研究中一种非常重要的电寻址空间光调制器SLM(SpatialLightModulator)。实验中通过调整TFT LCD的起偏器或检偏器的方向,可以分别得到正像、边缘暗突出像、负像等,并结合具有双折射特性的线性扭曲液晶介质对线偏振光的调制理论,对此给出解释。     

结合整体和局部特征的步态识别方法

针对已有步态识别方法注重对步态整体特征建模,却忽略了包含细节信息的局部特征问题,提出了一种整体与局部特征相结合的双分支步态集合特征学习网络。该方法以步态轮廓集合作为输入,通过双分支网络提取两种空间尺度的步态特征,利用特征映射模块将两种特征融合得到步态表示。通过在步态数据集CASIA-B中进行了跨视角识别实验,结果表明该方法在正常行走、背包和穿大衣条件下相比主流方法 Rank-1准确率取得了有效提升。     

工作专班贵以“专”

为有效推动急难险重任务破题攻坚,遴选骨干力量成立工作专班,建立周期会商、信息传递、资源归集、责任分解等制度,集中优势兵力打主动战、歼灭战,是当下各级较为常用的一种工作方法。但也应该看到,实际工作中,各单位不同程度存在专班众多但运行不畅、人才济济但缺乏合力、“开张”许久但成果寥寥等问题。细究原因,就在于“专”的品质没有凸显、“班”的定位出了偏差。     

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

谨防“层层传导压力”走样变味

前期到基层调研,一些基层干部反映:时下许多工作,从上到下一级对一级传导压力,层层开会分散任务,把落实的责任以“主体责任”为借口,落在基层的头上,又是“留痕”又是报表,又是考核又是问责,基层感觉“压力山大”。“没有压力就没有动力。”科学地分解任务、压实责任,形成“一级抓一级、一级带动一级”的责任落实机制,本是抓工作落实的有效方法。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。