煤油超音速燃烧的试验研究

在地面直连式试车台上,研究了煤油碳氢燃料超燃冲压发动机的点火燃烧性能。通过测量模型发动机壁面压力分布,比较了不同工况下的煤油点火燃烧性能。试验结果表明,在当量比为0.27～1.46的大范围内,煤油在超燃冲压模型发动机中能够成功点火,支板和凹腔对煤油在超声速气流中的点火及稳定燃烧有重要作用,少量氢气的喷入对煤油的点火燃烧有良好的促进作用。太厚的支板、过高的当量比、模型发动机第一级燃烧室加入燃料过多会使发动机壅塞,影响隔离段的正常工作,进而影响加热器喷管工作。     

异构数据源集成系统中能力对象集成模型及代数

异构数据源集成系统中,参与集成各数据源的查询处理能力有自身特殊的限制,导致中介器支持的查询类型变得复杂。提出一种便于异构数据源集成的公共能力对象数据模型———COIM对象模型,在此基础上,进而定义数据源能力对象代数,给出基于局部数据源的能力对象构造集成系统中介器能力对象的方法。由于可以通过计算得到中介器能力对象,用户能够提前预知中介器支持的查询类型,从而直接构造可以执行的查询,减少查询提交的盲目性;同时中介器本身也可像数据源一样参与其它中介器的集成,集成方式变得更为灵活。     

基于种群多样性测度的PSO算法及其应用研究

针对基本粒子群算法(particle swarm optimization,PSO)易局部收敛的缺陷,设计了一种根据种群多样性测度动态调整惯性权重的改进粒子群算法,通过仿真测试函数与基本粒子群算法、自适应粒子群算法(adaptive particle swarm optimization,APSO)、带收缩因子的粒子群算法(contractive particle swarm optimization,CPSO)进行比较,改进的PSO算法在提高算法的综合搜索能力方面具有优越性。将改进的PSO算法运用到作战飞行器航迹规划中,并进行了仿真实验,仿真结果验证了改进算法的有效性。     

不确定环境下飞行器航迹规划

根据环境的确定性程度,飞行规划可划分为确定性航迹规划和不确定性航迹规划。针对不确定战场环境航迹规划问题进行了研究,提出了一种基于概率表示的军用飞行器航迹规划方法。根据威胁源的存在概率函数、位置分布概率函数和静态威胁概率函数模型,建立了不确定威胁的威胁概率函数模型。将遗传算法运用到航迹规划中,并进行了仿真实验,仿真结果验证了模型及算法的有效性。     

脉冲截取多假目标干扰仿真分析

分析了多假目标干扰的产生方式,推导了对线性调频信号雷达进行脉冲截取多假目标干扰时假目标出现的位置和假目标与干扰机之间的功率关系,通过仿真分析验证了理论推导;并根据脉冲截取多假目标干扰中假目标的位置关系,提出了可以通过脉冲截取多假目标干扰方式实现前向干扰的方法,可以为脉冲截取多假目标干扰的分析和评估提供参考。     

某型飞机起落架收放机构性能仿真

为了验证某型飞机起落架收放机构采用理论计算值的收放性能,建立了该型飞机起落架收放机构的数学模型,采用起落架三维模型和收放作动筒、下落加速器的一维模型进行联合仿真。结果表明:采用理论计算值能够实现起落架在有限时间里的收放任务,各部件在收放运动中无干涉。此外,利用该联合仿真模型研究了收放作动筒、下落加速器结构参数对起落架收放性能的影响,指出收放作动筒活塞截面积和下落加速器活塞杆腔截面积可作为优化设计的优先选取参数,为该型飞机起落架收放机构性能的进一步优化提供参考。     

基于几何解算的飞机三维姿态测量方法

针对单站光测图像,提出一种基于目标形状特征的三维姿态测量方法。在已知飞机外形尺寸、光测设备成像参数以及飞机与光测设备之间距离的情况下,根据飞机参考平面(水平机翼所在平面)与成像平面平行和不平行时成像尺寸的差异,可以估计出飞机参考平面相对于成像平面的位置关系,从而得到飞机相对于摄像坐标系的三维姿态,再通过坐标转换即可得到飞机相对于大地坐标系的三维姿态。该方法充分利用了目标和成像设备的先验知识,避免了复杂的模型匹配过程,具有较好的准确度和实时性,对目标的精确控制和跟踪具有重要意义。     

从平台中心反潜战向网络中心反潜战的转型

为发展反潜作战、潜艇作战装备及理论,对平台中心反潜战中的特点和问题进行了研究。介绍了美军网络中心反潜战中的反潜战网络组成,探讨了反潜战网络的基本功能、各子网络的关联和网络中心反潜战对潜艇作战的威胁。     

一种基于双星导航系统的无源定位方法研究及其实现方案

为扩展双星导航定位系统的应用范围,针对双星导航系统双星定位时用户的有源问题提出了一种无源导航定位方法,用户不必发射导航定位请求信号,直接接收就可完成定位.同时,结合差分技术来提高用户导航的定位精度.通过理论分析和仿真,说明该方法是可行的.     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。