非线性高频振荡燃烧的研究

用数值模拟的方法研究了液体火箭发动机高频振荡燃烧的形成和发展过程。气相控制方程用欧拉坐标系下的Navier－Stokes方程组描述，液相控制方程在Lagrangian坐标系下描述，并采用高压蒸发燃烧模型。从计算的结果可以看出，当燃烧室内发生高频振荡燃烧时，在喷注面附近和燃烧室收敛段这两个区域内压力的波动幅度较大；通过对压力、混合气体温度及速度在振荡燃烧情况下的比较，得出了振荡燃烧发生时发动机内部两相流场的脉动频率与燃烧室固有频率相耦合的结论。     

并行科学计算应用的动态I/O模式分析

设计高性能并行文件系统的关键前提是对 Ｉ／ Ｏ 访问模式的分析和研究。并行文件系统的界面、组织结构、ｃａｃｈｅ 预取算法等都与具体应用的 Ｉ／ Ｏ 模式紧密相关。目前，大多数对 Ｉ／ Ｏ 模式的分析局限于其静态模式，而动态 Ｉ／ Ｏ 模式对并行文件系统的设计至关重要。本文通过分析并行科学计算应用的动态 Ｉ／ Ｏ 访问模式，总结出科学计算应用在访问数据量、时间间隔、访问顺序性等空间、时间上的一般访问特性，并在此基础上提出设计面向并行科学计算应用的并行文件系统应考虑的因素。     

一类扩散过程的最优停止

金融数学中关于美式期权的定价理论最后归结为一个对扩散过程的最优停止问题,扩散过程是特殊的马氏过程,本文讨论了当报酬函数非负时的值函数性质及其最优停时的表示。特别对带折扣的报酬的讨论,更加符合金融数学的需要     

高可靠、强实时分布式系统的切换技术研究

本文首先给出某高可靠、强实时分布式系统及系统的两种切换方案的简要描述，然后对切换技术的实现进行讨论；最后，在建立强实时双工系统的可靠性模型基础上，对系统的两种切换方案进行分析与比较。研究结果表明：对于本系统，机组级切换优于结点机级切换，且可以减少程序的复杂度，提高系统的可靠性与实时性。     

考虑载荷作用次数的多失效模式扭力轴灵敏度分析

机械构件的不同的失效模式之间具有一定的相关性,而且随机载荷作用次数对机械构件的可靠性有一定程度的影响。因此对机械构件进行可靠性灵敏度分析时,需要充分考虑其不同失效模式和载荷作用次数的影响。通过运用顺序统计量理论考虑载荷多次作用以及多种失效模式条件下机械构件可靠性及可靠性灵敏度的变化规律,运用随机摄动理论和四阶矩技术,建立一种考虑载荷作用次数的多失效模式机械构件可靠性灵敏度分析数值方法的应力强度干涉模型。在随机变量前四阶矩已知的情况下,结合灵敏度分析的梯度算法,推导出关于随机变量均值和方差的灵敏度计算公式。以某履带车辆底盘扭力轴为例进行计算,得到其可靠度随载荷作用次数、随机变量均值和方差而改变的可靠性灵敏度变化曲线,为扭力轴的可靠性优化提供一定的理论依据。研究成果可以推广到相关机械可靠性灵敏度设计和结构优化领域,具有非常重要的实用意义。     

超音速子母弹时序抛撒分离干扰特性

为分析在时序抛撒方式下子母弹多体干扰流场特性及其对各舱段弹体气动特性的影响,基于流体控制方程与六自由度刚体运动方程,结合非结构动网格技术,分别对两种时序抛撒方式及后舱子弹单独抛撒方式下的子母弹三维非定常分离流场进行数值模拟,得到不同抛撒时序下的分离流场特性及其气动干扰特性,揭示各舱段子弹在不同分离阶段的气动干扰相互作用过程。研究结果表明:在时序抛撒分离过程中各弹体间激波不断地交错干扰,增加了流场结构的复杂性;前舱子弹的激波干扰使得后舱段子弹气动分离参数较低,分离效率较慢,尤其在短时序间隔下,后舱弹体受前舱子弹干扰较为严重,弹体的安全分离受到影响。     

基于方位和线谱频移的TMA新算法

提出了一种基于方位和线谱频移序列的目标运动分析新算法,解决了方位序列估计器工作点漂移方法中初始方位漂移角度较难确定的问题;提出了一种新的多普勒频移匹配估计器,不需要预先提取目标线谱即可估计目标运动参数,并且有效地加快了目标运动参数解算的收敛速度.海上实验数据处理结果表明该算法较以往同类算法在收敛速度和解算精度等性能上有明显改进.     

信号处理与深度学习硬件加速的一致性计算结构

在计算需求层面对多种典型信号处理算法与深度学习算法进行了分析与模块化分解,提取了两类应用共有的且适合并行硬件加速的计算模块,提出了信号处理与深度学习的一致性计算模型,并基于一致性计算模型设计了控制与计算分离的层次化处理单元与阵列化计算结构。通过对不同应用计算过程的软件定义能够实现信号处理与深度学习的一致性硬件加速计算,基于Zynq计算平台从重构效率与计算性能两个方面对一致性计算模型与计算结构进行了验证,结果表明：基于一致性计算模型的软件定义可重构计算结构,具有较高的计算性能与重构效率。     

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。     

海量公交数据的人群画像算法

面向海量公交数据的人群画像对分析城市群体出行特点、交通态势等极具价值,但对数据的处理存在耗时高、质量低、解释难等问题。提出一种海量公交数据人群画像的系统化解决策略,基于PageRank算法筛选出经过重要站点的人群轨迹,极大减少目标人群的轨迹数据;提出轨迹文本化分析方法来提高人群画像的可解释性;分析确定基于余弦距离的K-means算法作为人群画像分类的聚类算法。该算法在3 000万乘客公交出行数据上的实验表明:提出的解决策略能够较为系统性地解决海量公交数据的人群画像问题,同时基于余弦距离的K-means算法的聚类效果最好且准确率约达80%。将人群画像及其轨迹使用Flow Map进行可视化展示,结果符合真实世界的人群行为特征。